Query-Adaptive Late Fusion for Image Search and Person Re-identification阅读笔记
2018-01-20 10:41
621 查看
Query-Adaptive Late Fusion for Image Search and Person Re-identification
自适应查询的图像检索晚期融合
摘要:很多文献表明特征融合对图像检索是有效的。一般来说融合各种各样的特征会帮助查询到更多有效的结果。然而,我们不会提前知道,对于给定查询,哪个特征是有效的。故而判断特征的有效性极其重要。本文提出了一种针对得分层的有效的且晚期融合方法。本文的动机是已排序的得分曲线会将好的特征表现出L形状,而逐渐下降的曲线表明是一个坏的特征。通过参考不相关数据集估计得分曲线的尾部,特征的有效性和归一化的曲线下面的面积成负相关。
本文在三个数据集上的效果超越了已有的两种特征融合方法。
1.介绍
本文考虑相似性图片搜索和对人工再鉴定额外的尝试。给定查询图像,目标是搜索图库中所有相似的图片。最近多种特征融合的方法在不断发展。关键问题是如何提前知道哪个特征是有效的,即能够表示最好的区分度并获得较高的搜索精度。本文的贡献是:查询自适应:给定一个查询,被融合的特征应该被自动评估是否有效,以使用好的特征,忽略坏的特征。非监督:本文考虑普通数据集,对查询的图片没有任何先验知识,主要是针对未标记的数据集。
2.相关工作
已有的工作针对多种特征融合,主要有两种方式:早期和晚期融合。早期的融合中,描述子被结合在特征层或者甚至传感器层,然后结合的特征一起训练。而迟融合涉及到得分层和决策层的融合,在融合时候的信息内容能提供好的权衡。Nandarkumar等人对真正匹配和假匹配的得分进行统计,将其分布作为又穷高斯混合模型。Jain等人将匹配的得分转换成了公共域,且归一化的方案是数据独立的。分类的输出也会使用监督的贝叶斯方法,可以在L1范数下最小化分类错误。对于每一个样本,这些方法对于一个确定的分类器决定了一个固定的权重,没有采用样本变量。另一篇文章中使用了用户确定的权重,但是需要几个月的时间采集训练样本。本文的方法从本质上讲属于迟融合,是非监督的。特征融合在图像检索中已经证明是有效的。基于Bow框架,局部特征例如颜色,会和纹理特征或者sift特征结合作为BOC,或者作为CMI多索引。这些方法工作在索引层,使用互补的线索,过滤一些假正性的SIFT特征。zhang等人一个融合索引方法,在索引的图像自检从语义一致性扩展倒排索引。还有一些方法在图节点之间发展了排序列表。图融合在融合的图上面,使用节点分析,局部和全局的列表使用同样的权重融合。有人提出基于图融合的学习方法,整合了多种模式进行空间重排。这些方法有以下两个缺陷:1.这些方法假设互补的特征被利用了,所以如果已经整合了无效特征是无法改变的。2.重重排序的方法大部分依赖离线的步骤,数据库中的所有图像都要被查询,或者必须保存重排序的结果。如果新的图像被加到图像库,离线的工作就需要重复进行一次,这个问题对检索的效率影响很大。
3.数据集
UKbench(size,10200),Holidays(size,1491)特征:BOW(codebook 20k),hsv(20,10,5),GIST(512),Random Projection(bad features)
4.本文的方法
1)相似性函数本文使用了几种策略结合多种特征,以获得全局的度量,例如求和,点积,最大化,最小化准则。本文利用了点积融合两个得分列表。
2)最好的特征和最坏的特征
使用0,1来标记最好最坏的score值,得出了L曲线的图形可以确定好的特征,横坐标rank100,纵坐标AP。
3)参考构建
假设一开始的score列表中图像都是不相关的;融合后的score得到的也是相同长度的L曲线。
4)查询自适应特征权重
权重根据第i种特征对应的得分曲线下的面积进行定义。提出的方法有两个优点,(1)在自适应查询的方法下估计了特征的有效性,(2)通过离线构造参考码书,在线的估计搜索非常快速,可以应用到大规模的动态在线系统。
5.实验
1)搜索结果:参数选择:受向量分割的参数u,v和查询集Q的影响,
使用参考集的影响。
全局参数调整比较:本文自动调整权重。
坏的特征对map的影响。
和当前方案比较:与图融合和复合索引融合比较。
大规模的试验:map88%Holidays.
2)人工再识别?
6.总结
本文提出了一种得分层的融合方案,主要有两个优点。第一个是采用自适应的查询方式估计了特征的有效性,第二个是独立于测试数据库,离线处理数据集可适应于动态查询。本文使用非监督训练进行得分层融合,具有很大的可行性。相关文章推荐
- 论文笔记:Improving Deep Visual Representation for Person Re-identification by Global and Local Image-language Association
- 论文阅读:Joint Learning of Single-image and Cross-image Representations for Person Re-identification
- 1604.Joint Detection and Identification Feature Learning for Person Search论文阅读笔记
- 论文笔记之---Joint Detection and Identification Feature Learning for Person Search
- Joint Learning of Single-image and Cross-image Representations for Person Re-identification
- 论文阅读《Joint Learning of Single-image Cross-image Representations for Person Re-identification》
- 1703.In Defense of the Triplet Loss for Person Re-Identification 论文阅读笔记
- Bit-Scalable Deep Hashing with Regularized Similarity Learning for Image Retrieval and Person Re-ide
- 《Fast and Accurate Inference with Adaptive Ensemble Prediction in Image Classification阅读笔记
- 【阅读笔记】Mining Concept Sequence from Large-Scale Search Logs for Context-Aware Query Suggestion
- [Paper note] Joint Learning of Single-image and Cross-image Representations for Person Re-id.
- 【论文笔记】Margin Sample Mining Loss: A Deep Learning Based Method for Person Re-identification
- 1606.End--to-End Comparative Attention Networks for Person Re-identification 论文笔记
- 【论文笔记】Person Transfer GAN to Bridge Domain Gap for Person Re-Identification
- 1505.Deep Ranking for Person Re-identification via Joint Representation Learning论文笔记
- 论文笔记(一)Re-ranking by Multi-feature Fusion with Diffusion for Image Retrieval
- 1607.CVPR-Joint Learning of Single-image and Cross-image Representations for Person ReID 论文笔记
- part-aligned系列论文:1707.Deeply-Learned Part-Aligned Representations for Person Re-Identification 论文笔记
- 论文阅读《Hamming embedding and weak geometric consistency for large scale image search》
- 论文阅读:An Enhanced Deep Feature Representation for Person Re-identification