論文の概要: Deep Image Retrieval: A Survey
- arxiv url: http://arxiv.org/abs/2101.11282v1
- Date: Wed, 27 Jan 2021 09:32:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-01 19:33:49.744745
- Title: Deep Image Retrieval: A Survey
- Title(参考訳): Deep Image Retrieval: A Survey
- Authors: Wei Chen, Yu Liu, Weiping Wang, Erwin Bakker, Theodoros Georgiou, Paul
Fieguth, Li Liu, and Michael S. Lew
- Abstract要約: 深層学習による画像検索に焦点をあて, 深層ネットワーク構造の種類に応じて, 最先端の手法を整理する。
本調査は,カテゴリベースCBIR分野のグローバルな展望を促進することを目的とした,近年の多種多様な手法について考察する。
- 参考スコア(独自算出の注目度): 21.209884703192735
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In recent years a vast amount of visual content has been generated and shared
from various fields, such as social media platforms, medical images, and
robotics. This abundance of content creation and sharing has introduced new
challenges. In particular, searching databases for similar content, i.e.
content based image retrieval (CBIR), is a long-established research area, and
more efficient and accurate methods are needed for real time retrieval.
Artificial intelligence has made progress in CBIR and has significantly
facilitated the process of intelligent search. In this survey we organize and
review recent CBIR works that are developed based on deep learning algorithms
and techniques, including insights and techniques from recent papers. We
identify and present the commonly-used databases, benchmarks, and evaluation
methods used in the field. We collect common challenges and propose promising
future directions. More specifically, we focus on image retrieval with deep
learning and organize the state of the art methods according to the types of
deep network structure, deep features, feature enhancement methods, and network
fine-tuning strategies. Our survey considers a wide variety of recent methods,
aiming to promote a global view of the field of category-based CBIR.
- Abstract(参考訳): 近年,ソーシャルメディアプラットフォームや医療画像,ロボット工学など,さまざまな分野から膨大な量の視覚コンテンツが生成され,共有されている。
このコンテンツ作成と共有の多さは、新たな課題をもたらしている。
特に、類似したコンテンツ、すなわちデータベースを検索する。
コンテントベース画像検索(CBIR)は,古くからある研究領域であり,リアルタイム検索にはより効率的かつ正確な手法が必要である。
人工知能はCBIRで進歩し、インテリジェント検索のプロセスを大幅に促進しました。
本稿では,最近の論文からの洞察や技術を含む,ディープラーニングアルゴリズムと手法に基づいて開発された最近のcbir研究を整理・レビューする。
我々は,広く使用されているデータベース,ベンチマーク,評価方法を特定し,提示する。
我々は共通の課題を集め、将来有望な方向性を提案する。
具体的には,ディープラーニングによる画像検索に着目し,深層ネットワーク構造,深部機能,機能強化手法,ネットワーク微細調整戦略のタイプに応じて,技術手法の状態を整理する。
本調査は,近年の多種多様な手法を考察し,カテゴリーベースcbirのグローバルビューの促進を目的としている。
関連論文リスト
- Deep Learning-based Depth Estimation Methods from Monocular Image and Videos: A Comprehensive Survey [31.414360704020254]
単一のRGB画像とビデオから深度を推定することは、多くの分野で応用されているため、広く関心を集めている。
過去10年間に500以上のディープラーニングベースの論文が出版されている。
入力と出力のモダリティ、ネットワークアーキテクチャ、学習方法に基づいて、現在の作業を分類するための分類を提供する。
論文 参考訳(メタデータ) (2024-06-28T06:25:21Z) - A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
論文 参考訳(メタデータ) (2024-05-30T04:46:40Z) - Advancements in Content-Based Image Retrieval: A Comprehensive Survey of
Relevance Feedback Techniques [0.0]
コンテントベース画像検索(CBIR)システムはコンピュータビジョンの分野で重要なツールとして登場してきた。
本稿では,対象検出におけるCBIRの役割と,コンテンツ特徴に基づく視覚的に類似した画像の識別と検索の可能性について,包括的に概説する。
低レベルの特徴と高レベルのセマンティック概念の相違から生じるセマンティックギャップについて詳述し、このギャップを橋渡しするためのアプローチを探る。
論文 参考訳(メタデータ) (2023-12-13T11:07:32Z) - Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。
近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。
この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文 参考訳(メタデータ) (2023-02-19T15:43:54Z) - 3D Object Detection from Images for Autonomous Driving: A Survey [68.33502122185813]
画像から3Dオブジェクトを検出することは、自動運転の基本的かつ困難な問題の一つだ。
この問題を2015年から2021年にかけて200以上の研究が行われ、理論、アルゴリズム、応用の幅広い範囲で研究されている。
我々は,この新奇で継続的な研究分野を包括的に調査し,画像に基づく3D検出に最もよく使用されるパイプラインを要約する。
論文 参考訳(メタデータ) (2022-02-07T07:12:24Z) - Deep Image Deblurring: A Survey [165.32391279761006]
低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。
近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
論文 参考訳(メタデータ) (2022-01-26T01:31:30Z) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳(メタデータ) (2021-11-11T09:43:56Z) - Deep Learning Based Person Re-Identification Methods: A Survey and
Outlook of Recent Works [5.202841879001503]
従来型および深層学習に基づくRe-ID手法を比較し,いくつかのRe-ID調査の主な貢献点を示す。
本稿では,従来のDeep Learning-based person Re-ID法に注目し,深層学習,局所的特徴学習,敵対的ネットワークの生成,シーケンス的特徴学習,グラフ畳み込みネットワークなどの手法について述べる。
論文 参考訳(メタデータ) (2021-10-10T11:23:47Z) - Text-based Question Answering from Information Retrieval and Deep Neural
Network Perspectives: A Survey [0.0]
テキストベースの質問回答(QA)は,ユーザの質問に対する簡潔な回答を見つけることを目的とした課題である。
本論文の主な焦点であるディープラーニングアプローチは,複数のレイヤの表現と質問とテキスト間の相互作用を学習する強力な技術を提供する。
論文 参考訳(メタデータ) (2020-02-16T16:24:39Z) - Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。
深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
論文 参考訳(メタデータ) (2020-01-15T21:37:47Z)
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。