Weak Attributes for Large-Scale Image Retrieval 阅读笔记

文章主页链接：点击打开链接

文章发表在CVPR2012，是关于一篇图像检索的文章，作者提供了源代码（code），图像检索很少提供源代码的，除了Hash有关的文章。

文章中对弱属性（Weak Attributes）做了一个定义（注：关于Attributes可参见博文：《Attribute的崛起？》）：

Weak Attributes are a collection of mid-level representations, which could be comprised of automatic classifier scores, distances to certain template instances, or even quantization to certain patterns derived through unsupervised learning, all of which can be easily acquired with very little or no human labor。（弱属性是中层表示的集合，其可以是由自动分类器的得分，与特定模板实例的距离，或者甚至是通过无监督学习得到的某个模式的量化。所有这些可以很容易的获得很少或没有人工工作）。

从定义看出弱属性主要包括：1. 自动分类器的得分；2. 与特定模板实例的距离；3. 通过无监督学习得到的某个模式的量化。

文章的主要思想：

建立查询属性（人工标注得到的属性）与大量弱属性的依赖关系，这样相当于将属性增多，不需要人工标注。具体的依赖关系是使用structural SVM得到的。

而查询属性也不是与所有的弱属性都有关系，这里只需要针对每个查询自适应地选择少量的弱属性子集即可，同时由于人工标注的查询属性样本少，为了避免过拟合，选择了一种半监督图模型（semi-supervised graph model）来同时利用训练数据和测试数据得到查询图像与弱属性的依赖结构。

检索模型是使用Structural SVM得到（Structural SVM的优势在于：1.  可以联合优化所有种类的查询；2. 可以直接优化不同的损失函数）。

（声明：本人理解能力有限，如有不妥之处，敬请指正！）