（ICONIP2021）On the Unreasonable Effectiveness of Centroids in Image

Python微信订餐小程序课程视频

https://edu.csdn.net/course/detail/36074

Python实战量化交易理财系统

https://edu.csdn.net/course/detail/35475
目录* 摘要

• 1、引言
• 2、提出的方法
  • 2.1 CentroidTripletloss
  • 2.2 聚合表示
• 3、实验
  • 3.1 数据集
  • 3.2 应用细节
  • 3.3 Fashion检索结果
  • 3.4 行人再识别结果
  • 3.5 内存使用和推理时间
• 4、总结

On the Unreasonable Effectiveness of Centroids in Image
图像中质心的不合理有效性
论文地址：https://openaccess.thecvf.com/content/ICCV2021/html/Wong_Persistent_Homology_Based_Graph_Convolution_Network_for_Fine-Grained_3D_Shape_ICCV_2021_paper.html
代码：https://github.com/mikwieczorek/centroids-reid

摘要

图像检索任务包括从一组图库（数据库）图像中找到与查询图像相似的图像。这样的系统用于各种应用，例如行人重新识别(ReID)或视觉产品搜索。尽管检索模型正在积极发展，但它仍然是一项具有挑战性的任务，主要是由于视角、光照、背景杂波或遮挡的变化引起的类内方差大，而类间方差可能相对较低。当前的大部分研究都集中在创建更强大的特征和修改目标函数上，通常基于TripletLoss。一些作品尝试使用类的质心/代理表示来缓解与TripletLoss一起使用的计算速度和硬样本挖掘问题。然而，这些方法仅用于训练并在检索阶段被丢弃。在本文中，我们建议在训练和检索期间都使用平均质心表示。这种聚合表示对异常值更稳健，并确保更稳定的特征。由于每个类都由单个嵌入类质心表示-检索时间和存储需求都显着减少。由于减少了候选目标向量的数量，聚合多个嵌入导致搜索空间显着减少，这使得该方法特别适用于生产部署。在两个ReID和时尚检索数据集上进行的综合实验证明了我们的方法的有效性，它优于当前最先进的方法。我们建议将质心训练和检索作为时尚检索和ReID应用程序的可行方法。

1、引言

实例检索是将查询图像中的对象与画廊集中的图像表示的对象进行匹配的问题。检索系