[1] Ng Y H , Yang F , Davis L S . Exploiting Local Features from Deep Networks for Image Retrieval[J]. 2015.
传统的VLAD算法从sift特征中进行计算,这篇文章从卷积网络中进行提取特征,然后使用vlad方法。除此之外,文章有两个贡献 (1)从不同层中提取卷积特征,并采用VLAD将特征编码为每一个图像的单个矢量。 (2)使用了两个OxfordNet和GoogleNet研究输入图像的不同层和尺度对卷积性能的影响。实验表明,与之后一层提取特征相比,前面的层可能产生更好的检索结果。
[2] Arandjelovic R , Gronat P , Torii A , et al. NetVLAD: CNN architecture for weakly supervised place recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017:1-1.
本文是进行图像地点检索,其主要是将VLAD的计算方式纳入到了深度网络之中(通过典型深度网络层,例如softmax层,卷积层,正则化就能将vlad实现),形成一个端到端的网络,其通过数学方式将VLAD与卷积网络结合,形成网络的一个中间层,损失函数使用了图像检索中常常使用的triplet loss,是一篇很优秀的文章。