1. Learning to Re-Rank:Query-Dependent Image Re-Ranking Using Click Data
文章收集部分以往的点击次数,然后组合Query-independent static features、Textual features和Imagefeatures组成新的特征,使用PCA进行降维,再使用Gaussian Process Regression 进行点击数预测,最后使用textual和visual feature 和初始排名进行加权组合相加,得到新的rank
2. Real Time Google and LiveImage Search Re-ranking
选择一张图片,然后把图片归结到提前定义的一些类中,如General Object、Object with Simple Background、Scene and so on,然后在每一类中使用一系列的特称,使用决策树进行分类,,然后根据类别给各个分类器学一个权重,最后组合相加得到最后的rank.
3. Asymmetric Bagging andRandom Subspace for Support Vector Machines-Based Relevance Feedback in ImageRetrieval
文章的主要思想在于使用SVM对标注信息进行分类,提出了ABSVM和ABRS-SVM分别解决了样本过少,正负样本不均匀及特征维度过高,导致过拟合的问题,06年的PAMI文章。
4. Visual Rerank withimproved image graph</