相关实验视频
Updated: May 9, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
通过噪声注入来学习最佳图像表示,用于细粒度搜索
Vidit Kumar1, Vikas Tripathi1, Bhaskar Pant1
1Department of CSE, Graphic Era Deemed to be University, Dehradun, India.
Scientific reports
|May 3, 2025
概括
这项研究引入了一种新的噪音注入方法,以改善细粒度图像搜索. 通过向图像和特征添加噪音,该方法增强了表示学习,并实现了卓越的检索结果.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 细粒度图像搜索是一个日益兴趣的领域.
- 当前的方法通常使用嵌入式的深度功能学习,但面临诸如昂贵的采样 (三倍损失) 或早期和 (软max损失) 等挑战.
研究的目的:
- 为了增强用于图像搜索的细粒度表示学习.
- 为了解决现有的损失函数的局限性,如三倍损失和软max损失.
主要方法:
- 一种新的方法,将噪音注入到输入图像和深度特征中.
- 缩小L2在嵌入空间中的原始图像和噪音图像的规范特征之间的距离.
- 使用特征噪声作为规范化,以防止过拟合和促进通用特征.
主要成果:
- 与现有方法相比,在牛津花-17,Cub-200-2011和Cars-196数据集上取得了优异的检索结果.
- 在汽车-196和Cub-200-2011的零射击设置中表现出良好的性能.
结论:
- 拟议的噪音注入技术有效地增强了细粒度表示学习.
- 这种方法为改善图像搜索准确性和概括性提供了一个有希望的替代方案.
