多重FusNet:用于细粒度图像检索网络的功能融合映射
Xiaohui Cui1,2, Huan Li1,2, Lei Liu1,2
1Engineering Research Center for Forestry-oriented Intelligent Information Processing of National Forestry and Grassland Administration, Beijing, China.
PeerJ. Computer science
|July 10, 2024
概括
本研究引入了一种用于微粒度图像检索的新方法,该方法使用多级特征和代理自我注意力来提高准确性. 这种新的方法通过捕获当前深度学习模型经常错过的关键细节,显著提高了检索性能.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 越来越多的图像数据需要高效的细粒度图像检索系统.
- 目前用于细粒度检索的深度学习方法往往忽略了关键的中间层特征和关键区域信息.
- 哈希代码映射中的统一权重策略可能会导致不可逆转的歧视性细节丢失.
研究的目的:
- 提出一种用于细粒度图像检索的新方法,解决当前深度学习方法的局限性.
- 通过使用多层次图像功能来增强细粒度识别内容的提取.
- 为了提高检索准确度,避免丢失关键的映射区域.
主要方法:
- 采用多级特征级联方法,整合中间和顶层图像特征.
- 每个级别都包含一个功能融合模块,以最大限度地提取有区别的信息.
- 引入了一个代理自我注意架构,以优先考虑远程特征并保留关键映射区域.
主要成果:
- 拟议的模型显示了与最先进的方法相比显著的性能改进.
- 在五个公共数据集中,检索精度平均增加了40% (12-位),22% (24-位),16% (32-位) 和11% (48-位).
- 对额外数据集的验证和统计学意义测试证实了该方法的概括能力和性能稳定性.
结论:
- 这种新的细粒度图像检索方法有效地利用了多层次的功能和代理的自我注意力.
- 该方法克服了现有方法的局限性,通过保护关键信息和增强歧视力.
- 拟议的模型在细粒度图像检索准确性和稳定性方面取得了重大进展.
