2021毕设学习 Week 1：

最新推荐文章于 2024-01-19 11:12:24 发布

枫楠Kuiy

最新推荐文章于 2024-01-19 11:12:24 发布

阅读量1.7k

点赞数 1

分类专栏：深度学习笔记文章标签：人工智能知识图谱算法

本文链接：https://blog.csdn.net/weixin_43968093/article/details/120652129

版权

深度学习笔记专栏收录该内容

7 篇文章

订阅专栏

2021毕设学习 Week 1（2021.10.9 - 10）：

论文阅读

2021毕设学习 Week 1（2021.10.9 - 10）：
- 论文：NetVLAD: CNN architecture for weakly supervised place recognition

提示：这里可以添加学习目标
例如：一周掌握 Java 入门知识

论文：NetVLAD: CNN architecture for weakly supervised place recognition

本论文为看的第一篇论文

论文阅读大纲

  本文作者概括（单位，研究背景，研究领域等，发表论文大致情况等）；

```
  论文的结论是什么？
```

  论文主要依赖的数学理论是什么？（概率论、统计学、经典/非经典逻辑与集合论（例如rough set）、图论（带权的）、贝叶斯决策理论，近世代数（主要格论）、最优化方法,SVM等等）；

  是否有实现的算法，算法设计的思想是什么？（贪心法，择优法、分枝定界法、图搜索方法、启发式方法、不确定性方法等等）；

  实验数据是什么？实验数据的来源，是否可以重复其实验过程？

  参考文献评述，有多少参考文献自己是了解的？或者认为可以进一步阅读的，或者熟悉相关内容的？

本文作者概述：

本文作者为 Relja Arandjelovic, Petr Gronat, Akihiko Torii, Tomas Pajdla, and Josef Sivic

单位： Relja、Josef等为依托Google的全球顶级AI实验室DeepMind成员
作者近几年论文产出稳定，主要研究领域为机器学习、计算机视觉等内容，多为IEEE、CVPR等

论文的结论是什么：

作者搭建了一个新的卷积神经网络用于地理位置识别，可以有效地执行无训练的学习，并且通过NetVLAD、弱建议排名损失的两个不分，实现了主体结构。NetVLAD 提供了一个强力的池子，这个参数可以轻松地插入任何一个CNN结构。弱建议排名损失使得大量的弱标签数据变得可以获得。

论文主要依赖的数学公式是什么

由于这是我机器学习相关论文看的第一篇，且相关知识目前还没有掌握。本论文主体算法相关为如何实现NetVLAD、Weakly supervised triplet ranking loss等内容。

在这里记录一下，后续正式写论文的时候回来继续研究。

实验数据是什么

作者在这里使用了Google Street View Time Machine，这种数据集可以提供多种的street-level（街道细节等级？）的panoramic（全景）图片。

在测试数据集上，作者使用了两个公共的数据集：
Pittsburgh (Pitts250k) 包含250k的数据库图片，也是从Google Street View下载的。作者在这里将数据集分割成3等份，后面为了追求速度更是使用了这个数据集的子集Pitts30k

本数据库Google可查，数据库官网网址：
https://blog.mapillary.com/update/2020/04/27/Mapillary-Street-Level-Sequences.html

Tokyo 24/7 包含了76k的数据库，这个查询数据集在白天、日落和晚上拍摄的，但是实际上的数据库图片都是白天拍的，所以要处理一下。
后面的数据库成果测试中，有一部分是给夜晚的图片，识别出白天的这个建筑。
本数据库谷歌可查，官网网址如下：
http://www.ok.ctrl.titech.ac.jp/~torii/project/247/

同时官网配备与本数据库配套代码可用（代码未读）

图源论文