Hamming embedding and weak geometric consistency for large scale image search

最新推荐文章于 2024-10-01 18:46:58 发布

原创

最新推荐文章于 2024-10-01 18:46:58 发布 · 2.9k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#paper

本文介绍了ECCV2008论文中的关键概念，包括将bag-of-features视为投票机制，提出了汉明嵌入用于保持描述符的判别力，即使在聚类k值较小的情况下，以及弱几何一致性用于过滤不满足几何变换先验的匹配点。文章通过归一化的匹配函数和汉明距离实现了高效的图像检索，并利用描述子的方向和尺度信息进行几何一致性估计，提高匹配精度。

Hervé Jégou, Matthijs Douze, and Cordelia Schmid，ECCV2008，被引用次数：779
阅读时间：2015-04-06~07

文章三大贡献：

将bag-of-features理解成voting，并形式化表示match过程；
提出Hamming Embedding，在聚类中k值较小时也能保持descriptor的discriminative power；
弱几何一致性和几何变换先验过滤掉一些不满足该条件的匹配点。

一、bag-of-features理解成voting

在match阶段，假设已计算出query image的descriptors，接下来：

$s_j=0$ ，表示初始化时与dataset中图片 $x_j$ 的匹配值为0；
对query图片中每个descriptor，记为 $y_i$ ，对图片 $x_j$ 的每个descriptor，记为 $x_{i,j}$ ，有 $s j = g j ⎛ ⎝ \sum i' = 1.. m' \sum i = 1.. m j f (x i, j, y i') ⎞ ⎠$ ${s_j} = {g_j}\left( {\sum\limits_{{i'} = 1..{m'}} {\sum\limits_{i = 1..{m_j}} {f\left( {{x_{i,j}},{y_{{i'}}}} \right)} } } \right)$ 稍后再解释 ${g_j} \left( \right)$ ，先当它没有。其中 $f\left( {{x_{i,j}},{y_{{i'}}}} \right)$ 为描述子匹配函数，如未加权的bag-of-features中， f(xi,j,yi′