x124612的博客

版权声明：本文为CSDN博主「MokHoYin」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/qq_33000225/article/details/90720833 ...

Abstract基于草图的图像检索(SBIR)是给定手绘草图，从自然图像数据库中检索图像的任务。现有的评价方法主要关注粗粒度的检索，即检索与草图属于同一个类别的图像，而不一定具有与草图相同的形状特征。而这导致现有方法只是简单地学习如何将草图与seen class联系起来，而无法推广到unseen class。因此，本文提出zero-shot SBIR，在unseen class上评价模型性能。并...

Motivations1、zero-shot SBIR面临 significant domain gap, intra-class variability and limited knowledge about the unseen classes等问题2、先前的方法，[1]通过对齐的sketch-image pair 来学习sketch到image的映射，使用成对的监督信息是为了增强多模态数...

Motivationssketch的数量和种类都很少，所以发展ZS-SBIR。而存在三个问题：sketch与image的domain gap；sketch的高度抽象；ZSL中从seen class到unseen class的语义迁移。需要合适的数据集能够包括上述挑战。Contributions1、发布新数据集QuickDraw-Extended。首先，数据集能模拟sketch与image之间...

Motivations1、传统的SBIR可以视为简单任务，因为在参数学习过程中可以利用到所有类别的视觉信息，但是在实际场景中，训练集的类别并不能够保证涵盖查询图像和数据库中候选图像的所有类别。现有SBIR方法在zero-shot场景下往往效果很差，因为所学习到的检索模型对查询图像没有语义概念知识。2、zero-shot SBIR hashing是zero-shot learning的一个特例，...

Motivation1、SBIR任务的关键问题是为sketch/image两个不同的模态寻找一个共享的embedding空间，能够将每张sketch/image映射成这个特征空间中的高维向量。而Zero-Shot场景的目标是测试模型迁移知识到未知类别的能力。实验证明，现有的SBIR方法在Zero-Shot场景下的性能很不好，因为模型在source domain上过拟合，同时不能识别unseen ...

Abstract虽然细粒度草图检索获得令人满意的结果，但需要实例级别的sketch/image pair标注信息，而且学习到的特征空间是domain-specific的，不能很好的推广到unseen classes。本文将 generalisation for FG-SBIR 看作 domain generalisation 问题。提出用无监督学习的方法来建模通用的sketch视觉特性字典，然后...