画像検索のための超特徴の学習【JST・京大機械翻訳】

Weinzaepfel Philippe; Lucas Thomas; Larlus Diane; Kalantidis Yannis

プレプリント

J-GLOBAL ID：202202212370369633 整理番号：22P0282342

画像検索のための超特徴の学習【JST・京大機械翻訳】

Learning Super-Features for Image Retrieval

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月31日プレプリントサーバーでの情報更新日： 2022年01月31日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

局所と大域的特徴を組み合わせる方法は,最近,複数の挑戦的な深い画像検索ベンチマークで優れた性能を示しているが,それらの局所特徴の利用は少なくとも2つの課題を提起する。第1に,これらの局所特徴はニューラルネットワークの局在化マップ活性化に単純に沸騰し,従って極めて冗長である。第2に,それらは,局所特徴の集合の頂点にのみ作用する大域的損失で典型的に訓練される。対照的に,試験は局所特徴マッチングに基づいており,訓練と試験の間の不一致を創り出す。本論文では,スーパー特徴と呼ぶ中レベル特徴のみに基づいて,深い画像検索のための新しいアーキテクチャを提案した。これらのスーパー特徴は反復注意モジュールによって構築され,各要素が局在化と判別画像パターンに焦点を合わせる順序集合を構成する。訓練のために,それらは画像ラベルのみを必要とする。コントラスト損失はスーパー特徴レベルで直接動作し,画像に整合するものに焦点を当てた。2番目の相補的損失は多様性を奨励する。共通のランドマーク検索ベンチマークに関する実験は,スーパー特徴が,同じ数の特徴を使用するとき,最先端の方法を大幅に上回り,それらの性能にマッチするために,かなり小さなメモリフットプリントを必要とするだけであることを確証した。コードとモデルはhttps://github.com/naver/FIReで利用可能である。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

パターン認識 , 図形・画像処理一般

前のページに戻る