Hervé Jégou, Matthijs Douze, Cordelia Schmid, INRIA LEAR组,CVPR09,被引用次数:180
阅读时间:2015-04-09~10
文章揭示了图像集中存在大量多次出现的视觉元素,即重复模式。这样视觉元素会严重影响图像检索时的相似度计算,所以需要除去burstiness元素,文中提出了三种方法:
- 移去多次特征点匹配;
- 抑制图像内burstiness词的匹配得分;
- 抑制图像间burstiness词的匹配得分。
Removing multiple matches
BOF方法中,query图像中的某一个关键点可能匹配到database中某张图的多个关键点,于是在累加inverted file时会多次得分,这样是不正确的。同样,database中某张图的一个关键点匹配到query图像中的多个关键点时,也是错误的。文中提出的策略为query的关键点仅单一匹配inverted file,选择最小Hamming Distance计算得分,且计算过的database图像关键点不再参与下次匹配。
Intra-image burstiness
某种模式在一张图像中多次出现(比如窗户)时,这样的点称之为intra-image burstiness。query图像中多个某个关键点匹配到database某张图一个关键点时,并不是强硬地删除该关键点,而是通过图像内的burstiness抑制手段:
tq(i,b)=∑j/q(yb,j)=q(xi)m(i,b,j)
这里
xi
表示query图像
x
的第
m(i,b,j):=m(i,b,j)m(i,b,j)tq(i,b)−−−−−−−−√
Inter-image burstiness
多幅图像中重复出现某种模式,其实已用idf权重抑制过了,但这仅考虑词频,没针对图像元素相似度的考虑。文中扩展了idf权重:
tb(i)=∑b∑jm(i,b,j)
表示query关键点匹配到database所有图像的得分和。然后更新该关键点的相似度值
m(i,b,j):=m(i,b,j)m(i,b,j)tb(i)−−−−−−−−√