論文の概要: Attributes Grouping and Mining Hashing for Fine-Grained Image Retrieval
- arxiv url: http://arxiv.org/abs/2311.06067v1
- Date: Fri, 10 Nov 2023 14:01:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-13 15:08:09.181011
- Title: Attributes Grouping and Mining Hashing for Fine-Grained Image Retrieval
- Title（参考訳）: 微細画像検索のための属性グループ化とマイニングハッシュ
- Authors: Xin Lu, Shikun Chen, Yichao Cao, Xin Zhou, Xiaobo Lu
- Abstract要約: 微粒な画像検索のための属性グループとマイニングハッシュ(AGMH)を提案する。
AGMHはカテゴリ固有の視覚属性を複数の記述子にグループ化し、包括的特徴表現を生成する。
AGMHは、きめ細かいベンチマークデータセットの最先端メソッドに対して、一貫して最高のパフォーマンスを得る。
- 参考スコア（独自算出の注目度）: 24.8065557159198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, hashing methods have been popular in the large-scale media
search for low storage and strong representation capabilities. To describe
objects with similar overall appearance but subtle differences, more and more
studies focus on hashing-based fine-grained image retrieval. Existing hashing
networks usually generate both local and global features through attention
guidance on the same deep activation tensor, which limits the diversity of
feature representations. To handle this limitation, we substitute convolutional
descriptors for attention-guided features and propose an Attributes Grouping
and Mining Hashing (AGMH), which groups and embeds the category-specific visual
attributes in multiple descriptors to generate a comprehensive feature
representation for efficient fine-grained image retrieval. Specifically, an
Attention Dispersion Loss (ADL) is designed to force the descriptors to attend
to various local regions and capture diverse subtle details. Moreover, we
propose a Stepwise Interactive External Attention (SIEA) to mine critical
attributes in each descriptor and construct correlations between fine-grained
attributes and objects. The attention mechanism is dedicated to learning
discrete attributes, which will not cost additional computations in hash codes
generation. Finally, the compact binary codes are learned by preserving
pairwise similarities. Experimental results demonstrate that AGMH consistently
yields the best performance against state-of-the-art methods on fine-grained
benchmark datasets.
- Abstract（参考訳）: 近年, 大規模メディア検索において, 低ストレージと強力な表現能力のハッシュ法が普及している。
外観が似ているが微妙な違いのあるオブジェクトを記述するために、ハッシュベースのきめ細かい画像検索に焦点を当てる研究がますます増えている。
既存のハッシュネットワークは通常、同じディープアクティベーションテンソルに対する注意ガイダンスを通じてローカルとグローバルの両方の特徴を生成し、特徴表現の多様性を制限する。
この制限に対処するために,注意誘導特徴に対して畳み込み記述子を代用し,カテゴリ特異的な視覚的属性を複数記述子にグループ化し組み込む属性グループ化・マイニングハッシュ(agmh)を提案する。
特に注意分散損失(adl)は、記述者が様々な地方に出席し、様々な微妙な詳細を捉えるように設計されている。
さらに,各ディスクリプタに重要な属性をマイニングし,細粒度属性とオブジェクト間の相関関係を構築するステップワイズインタラクティブな外部アテンション(siea)を提案する。
注意機構は離散属性の学習に特化しており、ハッシュコード生成に余分な計算コストはかからない。
最後に、コンパクトなバイナリコードはペアの類似性を保存することで学習される。
実験結果から, AGMHは, きめ細かいベンチマークデータセット上での最先端手法に対して, 常に最高の性能を示すことがわかった。
関連論文リスト
- COMAE: COMprehensive Attribute Exploration for Zero-shot Hashing [19.374677474378355]
COMAEと呼ばれるゼロショットハッシュ(ZSH)のための総合属性探索を行う。
COMAEは、3つの精巧に設計された探索を通して、見知らぬクラスから目に見えないクラスとの関係を描いている。
一般的なZSHデータセットの結果は、COMAEが最先端のハッシュ技術より優れていることを示している。
論文 参考訳（メタデータ） (2024-02-26T09:22:57Z) - Attribute-Aware Deep Hashing with Self-Consistency for Large-Scale
Fine-Grained Image Retrieval [65.43522019468976]
本稿では属性認識ハッシュコードを生成するための自己整合性を持つ属性認識ハッシュネットワークを提案する。
本研究では,高レベル属性固有ベクトルを教師なしで蒸留する再構成タスクのエンコーダ・デコーダ構造ネットワークを開発する。
我々のモデルは,これらの属性ベクトルに特徴デコリレーション制約を設けて,それらの代表的能力を強化する。
論文 参考訳（メタデータ） (2023-11-21T08:20:38Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - Binary Representation via Jointly Personalized Sparse Hashing [22.296464665032588]
二元表現学習のための効果的な教師なし手法、すなわち、共同パーソナライズされたスパースハッシュ(JPSH)を提案する。
異なるパーソナライズされたサブスペースは、異なるクラスタのカテゴリ固有の属性を反映するように構成される。
JPSHにおける意味とペアの類似性を同時に保存するために,PSHと多様体に基づくハッシュ学習をシームレスな定式化に組み込む。
論文 参考訳（メタデータ） (2022-08-31T14:18:37Z) - Channel DropBlock: An Improved Regularization Method for Fine-Grained
Visual Classification [58.07257910065007]
既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。
本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
論文 参考訳（メタデータ） (2021-06-07T09:03:02Z) - Image Clustering using an Augmented Generative Adversarial Network and
Information Maximization [9.614694312155798]
本稿では,GAN (Modified Generative Adversarial Network) と補助分類器からなるディープクラスタリングフレームワークを提案する。
提案手法は, CIFAR-10 と CIFAR-100 のクラスタリング手法を著しく上回り, STL10 と MNIST のデータセットと競合する。
論文 参考訳（メタデータ） (2020-11-08T22:20:33Z) - ExchNet: A Unified Hashing Network for Large-Scale Fine-Grained Image
Retrieval [43.41089241581596]
そこで我々は, きめ細かい画像のためのコンパクトなバイナリコードを生成するために, 新たなきめ細かなハッシュトピックについて検討した。
我々は、ExchNetと呼ばれる、エンドツーエンドのトレーニング可能な統合ネットワークを提案する。
提案手法は,5つのきめ細かいデータセットに対して,最先端の汎用ハッシュ法より一貫して優れている。
論文 参考訳（メタデータ） (2020-08-04T07:01:32Z) - Reinforcing Short-Length Hashing [61.75883795807109]
既存の手法は、非常に短いハッシュコードを用いた検索性能が劣っている。
本研究では, 短寿命ハッシュ(RSLH)を改良する新しい手法を提案する。
本稿では,ハッシュ表現とセマンティックラベルの相互再構成を行い,セマンティック情報を保存する。
3つの大規模画像ベンチマークの実験は、様々な短いハッシュシナリオ下でのRSLHの優れた性能を示す。
論文 参考訳（メタデータ） (2020-04-24T02:23:52Z) - Multi-Granularity Reference-Aided Attentive Feature Aggregation for
Video-based Person Re-identification [98.7585431239291]
ビデオベースの人物再識別は、同じ人物をビデオクリップ間でマッチングすることを目的としている。
本稿では,マルチグラニュラリティ参照属性集約モジュールMG-RAFAを提案する。
本フレームワークは,3つのベンチマークデータセット上での最先端のアブレーション性能を実現する。
論文 参考訳（メタデータ） (2020-03-27T03:49:21Z) - New advances in enumerative biclustering algorithms with online
partitioning [80.22629846165306]
さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。
改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
論文 参考訳（メタデータ） (2020-03-07T14:54:26Z)
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。