毫不含糊的颗粒度蒸用于不对称的图像检索
Hongrui Zhang1, Yi Xie1, Haoquan Zhang1
1School of Future Technology, South China University of Technology, Guangzhou, China.
概括
层级细粒度局部蒸 (GranDist) 通过有效地传输本地语义信息来改善不对称的图像检索. 这种方法增强了特征表示对齐,优于对基准数据集的现有技术.
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:
- 不对称的图像检索方法往往难以有效地传输本地语义信息.
- 现有的知识蒸技术侧重于全球特征对齐,限制细粒度表示空间匹配.
研究的目的:
- 提出一种新的方法,分层细粒度局部蒸 (GranDist),用于增强不对称的图像检索.
- 解决以前方法中传输本地语义信息的局限性.
主要方法:
- 格兰迪斯特构建了分层的特征表示,平衡了上下文丰富性和本地特征细节性.
- 解功能地图以捕捉不同颗粒度的本地特征,并建立集中蒸管道.
- 引入了明确的本地化特征选择 (UnamSel) 来排除模两可的特征,防止不相关的信息传输.
主要成果:
- 格兰迪斯特有效地在网络层之间传输上下文化的本地特征.
- UnamSel成功地过了模两可的特征,提高了检索准确度.
- 广泛的实验表明,GranDist的性能优于最先进的不对称检索方法.
结论:
- 格兰迪斯特显著提高了不对称的图像检索,使有效的本地特征转移.
- 拟议的方法改善了特征表示空间的细粒度对齐.
- 对于不对称的图像检索任务,GranDist提供了更强大,更准确的解决方案.
