论文解读 Aggregated Deep Feature from Activation Clusters for Particular Object Retrieval

论文解读 Aggregated Deep Feature from Activation Clusters for Particular Object Retrieval

Chen Z, Kuang Z, Wong K Y K, et al. Aggregated Deep Feature from Activation Clusters for Particular Object Retrieval[C]// the. 2017:44-51.

1 Contribution

1 we propose a clustering based deep feature for particular object retrieval. Activations are frst partitioned into clusters, and are then max-pooled from each of the clusters.

2 In contrast to the previous approaches in which activations are max-pooled from rectangular regions, activations are max-pooled here from clusters with arbitrary shapes and sizes.

    我对这篇论文的理解：此文沿用R-MAC的思想，只是把R-MAC论文的滑动窗口的机制换为了对聚类之后提取MAX pooling，最终构成图片的描述。

2 Review

在2014年提出MAC特征描述，核心思想相当于对每个feature map提max pooling。2016年 提出R-MAC弥补了MAC局部信息不足的缺陷，并取得了明显的提升。本文就是现在feature map做谱聚类，然后对每一个类别做max pooling，最终按照RMAC的思想去做特征描述。

在此简要介绍RAMC 的核心思想：在feature map上设计不同尺度和大小的滑动窗口，并设置移动步长，对滑动窗口对应的每一个feature map上的提取max pooling，形成一个特定维度的向量，再对每一个窗口形成的向量相加，形成了整张图片的特征。

3 Framework

此文主要贡献点就是把谱聚类应用到了特征提取中

Framework-Feature clustering

To better illustrate the benefts of using feature clusters, we defne the following precision measure：

precision=area(rgn)∩area(gt)area(rgn)

rgn 表示使用聚类结果作为目标的定位，gt 表示groundtruth



此图表示设置不同的准确度阈值，location的比率曲线。

聚类方法： N-CUT

NormalizeCut(A,B)=Cut(A,B)/vol(A)+cut(A,B)/vol(B)

vol(A)表示A这个类别的容量

N-CUT讲解：https://baijiahao.baidu.com/s?id=1564808797531801&wfr=spider&for=pc



首行是源图片，第二行是L2正则化后的feature map，第三行是在feature上做NCUT谱聚类之后的结果。

聚类之后，提取每一个类别的feature map上的max pooling，形成一个一维向量，最后再对所有类别的一维向量对应项相加，形成最终的image feature。

Experiments

1 Comparison with R-MAC



2 Comparison with DIR



DIR是指针对特定数据集进行训练的实验结果。