學(xué)習(xí)筆記，僅供參考，有錯必糾

關(guān)鍵詞:VLAD，深度學(xué)習(xí)，加權(quán)方案，門控方案，特征表示

記錄一波…

---

Vector of Locally and Adaptively Aggregated Descriptors for Image Feature Representation

Abstract

局部聚合描述子向量(VLAD)在圖像表示中得到了廣泛的應(yīng)用。然而，VLAD算法尋求的是描述符與它們所屬的聚類質(zhì)心之間的殘差向量的代數(shù)和，這可能會降低特征表示的判別能力。

為此，本文提出了一種VLAAD(局部和自適應(yīng)聚合描述符的向量)框架，自適應(yīng)地為每個殘差向量分配權(quán)重。首先，利用每個殘差向量的大小計算權(quán)重，并將加權(quán)的VLAD塊封裝到ResNet中，形成端到端的加權(quán)NetVLAD方法。為了進一步增強特征的判別能力，我們隨后用門控方案取代了基于量值的權(quán)重計算，實現(xiàn)了權(quán)重的自動估計。增強的版本稱為門控NetVLAD方法。

在CIF AR-10、MNIST數(shù)字、匹茲堡谷歌街視圖和ImageNet-Dog數(shù)據(jù)集上的實驗結(jié)果表明，與幾種最先進的方法相比，使用VLAAD可以提高分類精度和檢索地圖。

總結(jié)

以上是生活随笔為你收集整理的文献记录(part48)--Vector of Locally and Adaptively Aggregated Descriptors for Image Feature ...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。