Aggregating local descriptors into a compact image representation(阅读)

最新推荐文章于 2020-11-26 19:53:15 发布
最新推荐文章于 2020-11-26 19:53:15 发布
阅读量2.4k 收藏 7
点赞数 1
分类专栏： 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/langb2014/article/details/51814781
版权

这一篇论文是有关图像检索的，解决在在规模图像的搜索问题（比如搜索准确率，效率，和图像特征表示的使用内存）。首先使用一种简单有效的方法，聚局部特征为有限维的向量(Fisher kernel representation)。论文中的BOF和Fisher vector两种聚合local特征的方法就不多描述了，前面有学习过BOF系列的文章。我们直接看看作者的PPT，版权归作者所有。





langb2014
关注
专栏目录
《Who’s Afraid of Adversarial Queries The Impact of Image》文献阅读笔记
VnK_的博客
05-06 306
本文关于针对图像检索的对抗样本构造方法《Who’s Afraid of Adversarial Queries The Impact of Image》 1. 《Who’s Afraid of Adversarial Queries The Impact of Image》 本文介绍了一种针对神经网络内容图像检索的对抗样本构造方法。针对基于神经网络的CBIR系统，如果通过本文介绍的PIR...
图像纹理分析
yibayan的博客
06-23 5689
texture-analysis 该知识库包括纹理表示、识别、分割等纹理分析功能。非常感谢纹理分析等相关领域的先驱研究人员!以前的工作包括评论和其他伟大的工作纹理分析。 最新的纹理分析综述! From BoW to CNN: Two Decades of Texture Representation for Texture Classification 2019 2018 2017 20...
Aggregating local descriptors into a compact image representation
11-26
VLAD 图像检索方法的出处论文
论文阅读 (一)：Aggregating local descriptors into a compact image representation (2010VLAD)
qq_39443703的博客
11-26 971
文章目录引入1 图像向量表示1.1 特征包（bag of features-BOF） 引入   论文地址：戳戳。   要点：   1）在处理大规模图像问题的时候，考虑了搜索的准确性，其效率以及表示的内存使用情况；   2）把 aggregating local image descriptors 映射成一个有限维的向量，它是 Fisher 核的简化版；   3）为了维护向量的质量，通过共同优化降维和索引算法来实现。 1 图像向量表示 1.1 特征包（bag of features-BOF）   1） ..
【论文笔记】VLAD特征：Aggregating local descriptors into a compact image representation
以往不可谏，来自犹可追
01-21 1235
摘要 大尺度的图像搜算需要考虑三个约束：精确性，效率，存储使用。 我们首先提出一个简单但有效的方式，去将局部图像描述子聚合成一个有限维的向量，可视为一个简化的Fisher kernel表示。 然后，我们联合优化降维和索引算法，尽可能的保留向量比较的质量。 我们的结果展示：我们的方法在一个用20byte表示的图像上，与BOF(词袋向量特征)有相当的精确性，但是我们在搜索效率上有着巨大的提升。 1...
VLAD算法简介 图像检索
种花家的奋斗兔的博客
03-15 3295
1.1vlad基础概念 VLAD是vector of locally aggregated descriptors的简称，是由Jegou et al.在2010年提出，其核心思想是aggregated(积聚)，主要应用于图像检索领域 1.2相关方法优缺点 在深度学习时代之前，图像检索领域以及分类主要使用的常规算法有BoW、Fisher Vector及VLAD等。 BoW方法的...
【计算机视觉笔记】图像检索学习 (Content Based Image Retrieval)
霓而~
03-18 7984
论文跟踪：Awesome image retrieval papers https://github.com/willard-yuan/awesome-cbir-papers 综述：SIFT Meets CNN: A Decade Survey of Instance Retrieval github Overview: Guide-CBIR CBIR_LeaderBoard ...
图像人脸OCR语音算法模型整理1
08-08
Aggregating local descriptors into a compact image representation和Object Detection with Discriminatively Trained Part Based Models进一步阐述了如何构建和利用局部特征来实现高效物体检测。 随着深度学习...
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3211
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
VLAD特征(vector of locally aggregated descriptors)
热门推荐
July's Pensieve
07-25 2万+
《Aggregating local descriptors into a compact image representation》论文笔记 这篇论文中提出了一种新的图片表示方法，也就是VLAD特征，并把它用于大规模图片检索中，得到了很好的实验结果。 目前，BOF在图片检索和分类中应用广泛，首先是因为BOF是基于比较powerful的local特征(如SIFT)得来的，所以表达能力很强；其次是
VLAD学习总结和python实现
zshluckydogs的博客
07-11 9053
工作需要，研究了一些很经典的图像检索算法，逐一记录下来，方便自己复习和大家交流。 这篇博文是关于VLAD(vector of locally aggregated descriptors），即聚合局部描述子的向量，是一种利用图像的局部描述子如：SIFT、SURF、ORB等，做一些聚合的操作，然后用一个长向量来表征一副图像的过程。把图像表征成向量，是图像检索的先决条件。因为，图像检索的思想是对查询...
VLAD和MultiVLAD
CHIERYU的专栏
03-23 4517
VLAD原理1.原始的VLAD设有一个特征数据集为，每个特征向量xi{x_i}都是dd维的向量。比如提取许多幅图像的SIFT特征，将这些SIFT特征组成上述集合，这里讲的词袋模型并不关心各幅图像中SIFT特征的个数及顺序。 1.聚类（clustering）。首先采用K-means等聚类算法将n个d维的特征聚类成k类，保存得到的类中心向量集合，和每个特征向量${x_i}所在的类别编号assignme
局部特征聚合描述符(vector of locally aggregated descriptors,VLAD)
潜心
05-14 6320
一、局部描述符聚合：非概率的Fisher Kernel 对于视频，每帧的局部描述符{x1,…,xi,…}，在大规模视频搜索中不可能将他们一次都存在内存中，即使每个局部描述符都只需要几比特大小，但是一般来说，每帧都会有数百上千的局部描述符。 因此，我们将这些局部描述符聚合到一个单独的向量中去。我们利用由Perronnin[1]等人引进的Fisher Kernel对于图像表示
17.5.8 韦伯局部描述符（Weber's Local Descriptor）
u011732139的博客
05-08 4156
在大多的据不描述符中，Gabor小波和LBP是常见的两种。本文将主要介绍另外一种纹理的描述算子WLD（Weber’s Local Descriptor），主要由两部分组成：差励（differential excitation）和方向（orientation），这是一种简单高效的、鲁棒的纹理描述符。该方法发源于韦伯定理，他认为一个刺激的变化和原刺激本身的比值是一个固定的常数，当一个变化是比这种原始的刺
Medical image fusion using multi-level local extrema论文matlab程序
恰同学少年的博客
12-27 1955
本文程序是根据论文"Xu Z. Medical image fusion using multi-level local extrema[J]. Information Fusion, 2014, 19: 38-48."编写的，其中用到的提取局部极值平滑滤波的程序是论文"Subr K, Soler C, Durand F. Edge-preserving multiscale image de
PCA(principal component analysis)主成分分析法
July's Pensieve
07-25 2761
《Aggregating local descriptors into a compact image representation》论文笔记 在论文中，提取到VLAD特征后，要对特征向量进行PCA降维，就是用一个大小为D’ * D的矩阵M，对VLAD特征向量x做变换，降维后的vector是x’ = Mx，x’的大小是D’维。矩阵M是由原样本的协方差矩阵的D’个特征向量构成。 为什么M要是特征
ADC方法(asymmetric distance computation)
July's Pensieve
07-25 3454
《Aggregating local descriptors into a compact image representation》论文笔记提取到VLAD特征后，要先用PCA降维，然后再用ADC方法对每一幅图像建立索引，这里先介绍ADC方法。ADC方法是对图片库中，除query vector x之外的所有图的vector Y=y1,y2...ynY={y_1,y_2...y_n}，做kmeans产
ECCV2020 收录论文汇总（持续更新中）附打包下载
极市平台的技术博客
07-03 1万+
ECCV 2020 Oral | 可逆图像缩放：完美恢复降采样后的高清图片 论文：https://arxiv.org/abs/2005.05650 代码和预训练模型：https://github.com/pkuxmq/Invertible-Image-Rescaling 超分辨率 ECCV 2020 | 空间角度信息交互的光场图像超分辨方法 Spatial-Angular Interaction for Light Field Image Super-Resolution 论文PDF：https://ar
Aggregating local descriptors into compact codes c++实现
最新发布
07-16
将局部描述符聚合成紧凑的编码是一种常见的计算机视觉任务，用于图像检索和特征表示。一种常用的方法是使用词袋（Bag-of-Visual-Words）模型和聚类算法，如K-means，将局部描述符映射到视觉词汇中，并将其聚合为紧凑的编码。 以下是一个简单的C++实现示例，展示了如何将局部描述符聚合成紧凑的编码： ```cpp #include <iostream> #include <vector> #include <opencv2/opencv.hpp> // 聚类算法（这里使用K-means） cv::Mat kmeansClustering(const std::vector<cv::Mat>& descriptors, int numClusters) { cv::Mat allDescriptors; for (const cv::Mat& descriptor : descriptors) { allDescriptors.push_back(descriptor); } cv::Mat labels, centers; cv::TermCriteria criteria(cv::TermCriteria::EPS + cv::TermCriteria::MAX_ITER, 100, 0.01); cv::kmeans(allDescriptors, numClusters, labels, criteria, 1, cv::KMEANS_PP_CENTERS, centers); return centers; } // 将局部描述符映射到视觉词汇并聚合为编码 cv::Mat aggregateDescriptors(const std::vector<cv::Mat>& descriptors, const cv::Mat& visualWords) { cv::Mat encoding(descriptors.size(), visualWords.rows, CV_32F, cv::Scalar(0)); for (int i = 0; i < descriptors.size(); i++) { const cv::Mat& descriptor = descriptors[i]; for (int j = 0; j < descriptor.rows; j++) { const cv::Mat& row = descriptor.row(j); cv::Mat difference = visualWords - row; cv::Mat distances; cv::reduce(difference.mul(difference), distances, 1, cv::REDUCE_SUM); cv::Point minLoc; cv::minMaxLoc(distances, nullptr, nullptr, &minLoc); encoding.at<float>(i, minLoc.x) += 1; } } return encoding; } int main() { // 假设有一组局部描述符（使用OpenCV的Mat表示） std::vector<cv::Mat> descriptors = { (cv::Mat_<float>(1, 128) << /* descriptor values */ ), (cv::Mat_<float>(1, 128) << /* descriptor values */ ), (cv::Mat_<float>(1, 128) << /* descriptor values */ ), // ... }; // 聚类算法，得到视觉词汇 int numClusters = 100; cv::Mat visualWords = kmeansClustering(descriptors, numClusters); // 将局部描述符聚合为编码 cv::Mat encoding = aggregateDescriptors(descriptors, visualWords); // 输出编码结果 std::cout << "Encoding:\n" << encoding << std::endl; return 0; } ``` 在这个示例中，`descriptors`是一组局部描述符，每个描述符用一个`cv::Mat`对象表示。`kmeansClustering`函数使用K-means聚类算法将所有描述符聚类成`numClusters`个视觉词汇，并返回聚类中心。`aggregateDescriptors`函数将每个描述符映射到最近的视觉词汇，并聚合为紧凑的编码。最后，我们输出了聚合后的编码结果。 请注意，这只是一个简单的局部描述符聚合的C++实现示例，供你参考。在实际应用中，你可能需要根据具体的需求进行修改和扩展，例如使用更复杂的局部描述符提取方法、改进聚类算法等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值