論文の概要: Web image search engine based on LSH index and CNN Resnet50

• arxiv url: http://arxiv.org/abs/2108.13301v1
• Date: Fri, 20 Aug 2021 14:43:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-05 08:53:24.131004
• Title: Web image search engine based on LSH index and CNN Resnet50
• Title（参考訳）: LSHインデックスとCNN Resnet50に基づくWeb画像検索エンジン
• Authors: Marco Parola, Alice Nannini, Stefano Poleggi
• Abstract要約: そこで我々は、CBIRシステムを実装するためにLocality Sensitive Hashing(LSH)インデックスを採用した。 具体的には、画像から深い特徴を抽出するために転送学習技術を利用する。 次に、前述の2つのCNNの上に構築された、完全に接続されたディープニューラルネットワークを試す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: To implement a good Content Based Image Retrieval (CBIR) system, it is essential to adopt efficient search methods. One way to achieve this results is by exploiting approximate search techniques. In fact, when we deal with very large collections of data, using an exact search method makes the system very slow. In this project, we adopt the Locality Sensitive Hashing (LSH) index to implement a CBIR system that allows us to perform fast similarity search on deep features. Specifically, we exploit transfer learning techniques to extract deep features from images; this phase is done using two famous Convolutional Neural Networks (CNNs) as features extractors: Resnet50 and Resnet50v2, both pre-trained on ImageNet. Then we try out several fully connected deep neural networks, built on top of both of the previously mentioned CNNs in order to fine-tuned them on our dataset. In both of previous cases, we index the features within our LSH index implementation and within a sequential scan, to better understand how much the introduction of the index affects the results. Finally, we carry out a performance analysis: we evaluate the relevance of the result set, computing the mAP (mean Average Precision) value obtained during the different experiments with respect to the number of done comparison and varying the hyper-parameter values of the LSH index.
• Abstract（参考訳）: CBIR(Content Based Image Retrieval)システムを実装するためには,効率的な検索手法を採用することが不可欠である。 この結果を達成する1つの方法は近似探索手法を利用することである。 実際、非常に大量のデータを扱う場合、正確な検索方法を用いることでシステムは非常に遅くなります。 このプロジェクトでは、CBIRシステムを実装するためにLocality Sensitive Hashing(LSH)インデックスを採用し、深い特徴の高速な類似検索を可能にします。 具体的には、画像から深い特徴を抽出するために転送学習技術を利用する。このフェーズでは、2つの有名な畳み込みニューラルネットワーク(CNN)を用いて特徴抽出を行う: Resnet50とResnet50v2。 次に、前述の2つのCNNの上に構築された、完全に接続されたディープニューラルネットワークを試して、データセット上でそれらを微調整します。 どちらのケースでも、インデックスの導入が結果にどの程度影響するかをよりよく理解するため、LSHインデックス実装内の機能とシーケンシャルスキャン内の機能をインデックス化します。 最後に、結果セットの関連性を評価し、異なる実験で得られたmAP(平均精度)値を、比較結果の数とLSH指数のハイパーパラメータ値の変化について計算する。

関連論文リスト

• Semi-Parametric Retrieval via Binary Token Index [71.78109794895065]
  Semi-parametric Vocabulary Disentangled Retrieval (SVDR) は、新しい半パラメトリック検索フレームワークである。 既存のニューラル検索手法に似た、高い有効性のための埋め込みベースのインデックスと、従来の用語ベースの検索に似た、迅速かつ費用対効果の高いセットアップを可能にするバイナリトークンインデックスの2つのタイプをサポートする。 埋め込みベースインデックスを使用する場合の高密度検索器DPRよりも3%高いトップ1検索精度と、バイナリトークンインデックスを使用する場合のBM25よりも9%高いトップ1検索精度を実現する。
  論文  参考訳（メタデータ） (2024-05-03T08:34:13Z)
• Experimental Analysis of Machine Learning Techniques for Finding Search Radius in Locality Sensitive Hashing [0.9137554315375919]
  局所感性ハッシュ (Locality Sensitive Hashing, LSH) は、高次元空間の近接探索技術として最も一般的なものの一つである。 機械学習を利用するために、半径最適化局所感性ハッシュ(roLSH)と呼ばれる改良されたLSHベースのインデックス構造が提案されている。
  論文  参考訳（メタデータ） (2022-11-16T18:19:10Z)
• Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
  本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。 我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-23T18:37:22Z)
• Sketches image analysis: Web image search engine usingLSH index and DNN InceptionV3 [0.0]
  ディープ機能で高速な類似度検索を可能にするために、Locality Sensitive Hashing(LSH) Index上にWebイメージ検索エンジンを実装します。 画像からの深い特徴抽出に転送学習を利用する。
  論文  参考訳（メタデータ） (2021-05-03T20:01:54Z)
• Combined Depth Space based Architecture Search For Person Re-identification [70.86236888223569]
  個人再識別(ReID)のための軽量で適切なネットワークの設計を目指しています。 本研究では,CDNetと呼ばれる効率的なネットワークアーキテクチャの探索に基づく,複合深さ空間(Componed Depth Space, CDS)と呼ばれる新しい検索空間を提案する。 そこで我々はTop-k Sample Search戦略という低コストの検索戦略を提案し、検索空間をフル活用し、局所的な最適結果のトラップを避ける。
  論文  参考訳（メタデータ） (2021-04-09T02:40:01Z)
• Sequential End-to-end Network for Efficient Person Search [7.3658840620058115]
  人物検出と人物再識別(re-ID)を共同で解決することを目的とした人物探索 既存の研究は、Faster R-CNNに基づくエンドツーエンドネットワークを設計している。 優れた特徴を抽出するためのシーケンシャルエンドツーエンドネットワーク(SeqNet)を提案する。
  論文  参考訳（メタデータ） (2021-03-18T10:28:24Z)
• Trilevel Neural Architecture Search for Efficient Single Image Super-Resolution [127.92235484598811]
  本稿では,高効率単一画像超解像(SR)のための3レベルニューラルネットワーク探索法を提案する。 離散探索空間をモデル化するために、離散探索空間に新たな連続緩和を適用し、ネットワークパス、セル操作、カーネル幅の階層的混合を構築する。 階層型スーパーネット方式による最適化を行うため,効率的な探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-17T12:19:49Z)
• DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
  本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。 ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
  論文  参考訳（メタデータ） (2020-05-29T09:02:16Z)
• When CNNs Meet Random RNNs: Towards Multi-Level Analysis for RGB-D Object and Scene Recognition [10.796613905980609]
  オブジェクトおよびシーン認識タスクのための多モードRGB-D画像から識別的特徴表現を抽出する新しいフレームワークを提案する。 CNNアクティベーションの高次元性に対応するため、ランダムな重み付けプール方式が提案されている。 実験では、RNNステージにおける完全ランダム化構造がCNNアクティベーションを符号化し、識別的ソリッドな特徴を成功させることを確認した。
  論文  参考訳（メタデータ） (2020-04-26T10:58:27Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。