論文の概要: Understanding Image Retrieval Re-Ranking: A Graph Neural Network Perspective

• arxiv url: http://arxiv.org/abs/2012.07620v2
• Date: Tue, 29 Dec 2020 05:09:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:29:28.868013
• Title: Understanding Image Retrieval Re-Ranking: A Graph Neural Network Perspective
• Title（参考訳）: 画像検索再帰の理解:グラフニューラルネットワークの視点から
• Authors: Xuanmeng Zhang, Minyue Jiang, Zhedong Zheng, Xiao Tan, Errui Ding, Yi Yang
• Abstract要約: 本稿では,GNN(High-parallelism Graph Neural Network)関数として再ランク化が可能であることを示す。 market-1501データセットでは、1k40m gpuで89.2sから9.4msへのリランキング処理を高速化し、リアルタイムのポストプロセッシングを容易にする。
• 参考スコア（独自算出の注目度）: 52.96911968968888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The re-ranking approach leverages high-confidence retrieved samples to refine retrieval results, which have been widely adopted as a post-processing tool for image retrieval tasks. However, we notice one main flaw of re-ranking, i.e., high computational complexity, which leads to an unaffordable time cost for real-world applications. In this paper, we revisit re-ranking and demonstrate that re-ranking can be reformulated as a high-parallelism Graph Neural Network (GNN) function. In particular, we divide the conventional re-ranking process into two phases, i.e., retrieving high-quality gallery samples and updating features. We argue that the first phase equals building the k-nearest neighbor graph, while the second phase can be viewed as spreading the message within the graph. In practice, GNN only needs to concern vertices with the connected edges. Since the graph is sparse, we can efficiently update the vertex features. On the Market-1501 dataset, we accelerate the re-ranking processing from 89.2s to 9.4ms with one K40m GPU, facilitating the real-time post-processing. Similarly, we observe that our method achieves comparable or even better retrieval results on the other four image retrieval benchmarks, i.e., VeRi-776, Oxford-5k, Paris-6k and University-1652, with limited time cost. Our code is publicly available.
• Abstract（参考訳）: 画像検索タスクのポストプロセッシングツールとして広く採用されている,高信頼な検索サンプルを利用して検索結果を洗練する手法である。 しかし、再ランク付けの1つの大きな欠陥、すなわち高い計算複雑性に気付き、現実のアプリケーションでは耐え難い時間コストを発生させる。 本稿では,高並列性グラフニューラルネット(GNN)関数として再分類可能であることを示す。 特に,従来のリグレード処理を,高品質なギャラリーサンプルの検索と更新機能という2つのフェーズに分割する。 第1フェーズはk-ネアレストの隣のグラフの構築と等しく、第2フェーズはグラフ内でメッセージを拡散していると見なすことができる。 実際には、GNNは接続されたエッジで頂点を気にするだけです。 グラフはスパースなので、頂点の特徴を効率的に更新できる。 market-1501データセットでは、1k40m gpuで89.2sから9.4msへのリランキング処理を高速化し、リアルタイムのポストプロセッシングを容易にする。 同様に,VeRi-776,Oxford-5k,Paris-6k,University-1652の4つの画像検索ベンチマークに対して,時間的制約を伴って比較あるいはより優れた検索結果が得られた。 私たちのコードは公開されています。

関連論文リスト

• Graph-based Asynchronous Event Processing for Rapid Object Recognition [59.112755601918074]
  イベントカメラは、各イベントがピクセル位置、トリガ時間、明るさの極性が変化するような非同期イベントストリームをキャプチャする。 イベントカメラのための新しいグラフベースのフレームワーク、SlideGCNを紹介した。 当社のアプローチでは、データをイベント単位で効率的に処理し、内部でグラフの構造を維持しながら、イベントデータの低レイテンシ特性を解放することが可能です。
  論文  参考訳（メタデータ） (2023-08-28T08:59:57Z)
• Pixel-wise Graph Attention Networks for Person Re-identification [18.662170017063286]
  グラフ畳み込みネットワーク(GCN)は不規則データを扱うために広く使われている。 構造化データ(画像など)にGCNを適用する方法については、まだ深く研究されていない。 本稿では,画像特徴抽出におけるグラフアテンションネットワーク(GAT)の適用について検討する。
  論文  参考訳（メタデータ） (2023-07-18T12:12:42Z)
• Graph Convolution Based Efficient Re-Ranking for Visual Retrieval [29.804582207550478]
  特徴を更新することで、初期検索結果を洗練する効率的な再ランク付け手法を提案する。 具体的には、グラフ畳み込みネットワーク(GCN)に基づく再ランク付けを再構成し、特徴伝搬による視覚的検索タスクのための新しいグラフ畳み込みベース再ランク付け(GCR)を提案する。 特に、平面GCRは、クロスカメラ検索のために拡張され、異なるカメラ間の親和性関係を活用するために、改良された特徴伝搬定式化が提示される。
  論文  参考訳（メタデータ） (2023-06-15T00:28:08Z)
• RankDNN: Learning to Rank for Few-shot Learning [70.49494297554537]
  本稿では、画像検索の関連性ランキングをバイナリランキング関係分類として活用する、新しい数ショット学習パイプラインを提案する。 これは、数ショットの学習に関する新しい視点を提供し、最先端の手法を補完する。
  論文  参考訳（メタデータ） (2022-11-28T13:59:31Z)
• NAS-Bench-Graph: Benchmarking Graph Neural Architecture Search [55.75621026447599]
  NAS-Bench-Graphは、GraphNASの統一的、再現可能、効率的な評価をサポートする調整されたベンチマークである。 具体的には,26,206のユニークなグラフニューラルネットワーク(GNN)アーキテクチャを網羅した,統一的で表現力のあるコンパクトな検索空間を構築する。 提案したベンチマークに基づいて,GNNアーキテクチャの性能を検索テーブルから直接取得できるが,それ以上の計算は行わない。
  論文  参考訳（メタデータ） (2022-06-18T10:17:15Z)
• Reuse your features: unifying retrieval and feature-metric alignment [3.845387441054033]
  DRANは視覚的ローカライゼーションの3段階の機能を生成できる最初のネットワークである。 公開ベンチマークの挑戦的な条件下では、堅牢性と正確性の観点から競争性能を達成する。
  論文  参考訳（メタデータ） (2022-04-13T10:42:00Z)
• Correlation Verification for Image Retrieval [15.823918683848877]
  相関検証ネットワーク (CVNet) という新しい画像検索手法を提案する。 CVNetは、様々な画像対から多様な幾何マッチングパターンを学習しながら、高密度特徴相関を画像類似性に圧縮する。 提案するネットワークは,有意なマージンを有する複数の検索ベンチマークにおいて,最先端の性能を示す。
  論文  参考訳（メタデータ） (2022-04-04T13:18:49Z)
• Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
  GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。 高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。 このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
  論文  参考訳（メタデータ） (2020-07-03T09:30:07Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。