2016年1月5日paper reading

最新推荐文章于 2021-11-26 18:59:17 发布
最新推荐文章于 2021-11-26 18:59:17 发布
阅读量1.2k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： deeplearning 文章标签： paperreading
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/JOE_FANNIE/article/details/50462209
本文详细分析了现有的Siamese网络和Triplet网络，指出它们只考虑了每一对patch或两对patch之间的关系，忽略了全局信息。为此，作者提出了一种新的全局损失函数，旨在最小化正样本对和负样本的全局方差及距离，同时最大化负样本对的全局距离。加入此loss后，模型对于离群值的鲁棒性得到增强。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Learning Local Image Descriptors with Deep Siamese and Triplet Convolutional Networks by Minimising Global Loss Functions


该文章对现有的siamese网络和triplet网络进行了详细的分析。并提出了这两种网络loss function的不足：只考虑了每一对patch或者每两对patch之间的关系，而忽略了global的信息。因此，它针对每一张图片，又加入了一个global的loss，如下


从下图的左图来看，这个loss的目的就是最小化正样本对和负样本的global方差以及正样本对的global距离，另外最大化负样本对的global距离。右图同理，不过使用了相似度而非距离度量。


值得注意的是，加上这个loss之后，对于outlier的鲁棒性会增加，如下图：



基于深度学习的图像匹配论文（一）
weixin_43090400的博客
11-24 1724
Learning Local Image Descriptors with Deep Siamese and Triplet Convolutional Networks by Minimising Global Loss Functions 当前状况是： 使用 Triplet 网络比 Siamese 有更好的分类效果，但在局部图像描述子方面未被证实，论文提出采用 Triplet 网络进行局部图...
Siamese Network (应用篇6) ：孪生网络用于图像块匹配 CVPR2017
沈春旭的博客
07-31 9439
参考论文：L2-Net: Deep Learning of Discriminative Patch Descriptor in Euclidean Space 会议水平：CVPR2017 供稿单位：中科院自动化所 1. 摘要 及 目的 利用卷积神经网络在欧式空间下学习高效性能的描述子 descriptor。作者的方法在四个方面与众不同，1.我们提出了一种渐进的抽样策略，使网络能够在几次的...
度量学习 度量函数 metric learning deep metric learning 深度度量学习
心之所向
07-25 2万+
曼哈顿距离(CityBlockSimilarity) 同欧式距离相似，都是用于多维数据空间距离的测度。 欧式距离(Euclidean Distance) 用于衡量多维空间中各个点之间的绝对距离。使用时各个维度量级最好能够在同一个尺度上。 马氏距离(Mahalanobis distance) 一种有效的计算两个未知样本集的相似度的方法。与欧氏距离将所有维度同等看待不同，其考虑到各种...
Siamese Network & Triplet NetWork
mathor的博客
10-13 3190
Siamese Network（孪生网络） 简单来说，孪生网络就是共享参数的两个神经网络 在孪生网络中，我们把一张图片X1X_1X1​作为输入，得到该图片的编码GW(X1)G_W(X_1)GW​(X1​)。然后，我们在不对网络参数进行任何更新的情况下，输入另一张图片X2X_2X2​，并得到改图片的编码GW(X2)G_W(X_2)GW​(X2​)。由于相似的图片应该具有相似的特征（编码），利用这一点，我们就可以比较并判断两张图片的相似性 孪生网络的损失函数 传统的Siamese Network使用Contr
siamese网络&&tripletnet
weixin_33752045的博客
11-06 1006
siamese网络 - 之前记录过： https://www.cnblogs.com/ranjiewen/articles/7736089.html - 原始的siamese network: 输入一个piar和与之对应的label，然后在输入一个batch进行训练；数据为mnist时，网络输出为2维特征，具有降维的作用! - 损失函数，相似度距离的定义等。比如将损失函数的指数形式用hige...
深度学习笔记-----多输入网络 （Siamese网络,Triplet网络）
YOULANSHENGMENG的博客
11-12 1万+
目录 1，什么时候需要多个输入 2，常见的多输入网络 2.1 Siamese网络(孪生网络) 2.1 Triplet网络 1，什么时候需要多个输入 深度学习网络一般是输入都是一个，或者是一段视频切片，因为大部分的内容是对一张图像或者一段视频内容进行分析。但是也有任务需要输入图像对来得到相对结果，比如检测两个图像的相似度，通过目标跟踪得到相对位置。还有些网络也可以输入多张图像进行多尺度的特征提取。比如图像检测，目标跟踪，相对排序。 2，常见的多输入网络 2.1 ...
SNet解读
weixin_30877227的博客
08-29 504
解读论文：Learning Local Image Descriptors with Deep Siamese and Triplet ConvolutionalNetworks by Minimising Global Loss Functions 为什么要总结这么一篇旧的论文？因为里面一些方法具有总结性。 例如对于图像块匹配来说，我自己给出的一个划分： 按照网络类型：度量学习（me...
DeepMatching文献总结：图像拼接、图像匹配、图像检索
沈春旭的博客
07-31 1万+
1. 导读 结合（卷积）神经网络的测度学习，适用于图像拼接image stitching、图像立体匹配 image stereo matching、图像检索image retrieval。 当前三个方向都非常火热，落地项目也很多。 文献主要来源于实验室师兄galad-loth维护的DeepMatching：https://github.com/galad-loth/DeepMatch。因为我也...
【图像匹配数据集】Brown数据集 Liberty NotreDame Yosemite介绍
flyconley的博客
11-26 4159
简介 这是一个经典的图像匹配数据集，Brown 总共包含三个数据集。 它从三个知名地方建筑Liberty_NotreDame_Yosemite 中拍摄照片，利用三维重建的方法获得特征点位置和匹配关系。 数据集中的部分图像： 参考资料 有关这个数据集的介绍，有以下几个博客写的比较清楚： PhotoTour项目(Brown数据集)数据集Liberty NotreDame Yosemite(图像匹配)_baidu_40840693的博客-优快云博客_brown数据集 Brown 数据集和评价指
Discriminative Learning of Local Image Descriptors
09-06
In this paper, we explore methods for learning local image descriptors from training data. We describe a set of building blocks for constructing descriptors which can be combined together and jointly optimized so as to minimize the error of a nearestneighbor classifier. We consider both linear and nonlinear transforms with dimensionality reduction, and make use of discriminant learning techniques such as Linear Discriminant Analysis (LDA) and Powell minimization to solve for the parameters. Using these techniques, we obtain descriptors that exceed state-of-the-art performance with low dimensionality. In addition to new experiments and recommendations for descriptor learning, we are also making available a new and realistic ground truth data set based on multiview stereo data.
论文阅读：CVPR2016 Paper list
一亩半分地
05-12 8万+
CVPR2016 accepted paper list
discriminative training鉴别性训练
qq_14962179的博客
03-01 1147
MLE(maximum likelihood estimation最大似然估计)： 之前用于训练HMM参数(A和B矩阵)所用的Baum-Welch算法和嵌入式训练时基于最大化训练数据的似然度的。MLE的替代方案是不再将最佳模型和数据相匹配，而是从其他模型中区分出最佳模型。鉴别性训练包括MMIE(最大互信息估计准则，Woodland and Povey, 2002)使用NN/SVM分类器，MCE(最...
深度学习（十六）基于2-channel network的图片相似度判别
hjimce的专栏
11-29 7万+
本篇博文主要讲解2015年CVPR的一篇关于图像相似度计算的文章：《Learning to Compare Image Patches via Convolutional Neural Networks》，本篇文章相比于经典的算法Siamese Networks 精度上有比较不错的提高。学习这篇paper的算法，需要熟悉Siamese Networks（经典老文献《Signature Verification Using a Siamese Time Delay Neural Network》）、以及大神何
2016年1月5日知识回顾
strwolf的专栏
01-06 354
1、昨天研究了下七牛云的上传接口，比较易于调用，参考文档python SDK 2、研究了下vmaig_blog的头像上传部分源码，但是部署到nginx有点儿问题，就是nginx处理静态文件，把所有静态文件都colllectstatic到了一个指定的目录，views的逻辑，关于图片保存的路径怎么写都没对，还要再研究。 3、看了下jquery css和尺寸相关，获取css属性，改变css属性，cs
论文笔记：Triplet Network
hongbin_xu的博客
10-15 1万+
原论文：DEEP METRIC LEARNING USING TRIPLET NETWORK Triplet Network 1、四个问题 要解决什么问题？ 实质上，Triplet Network是Siamese Network的一种延伸，要解决的问题与Siamese Network的基本一致。 与Siamese Network一样，适用于解决样本类别很多（或不确定），然而训练数据集的样本数又...
File Descriptors
DViewer的专栏
01-14 895
One of the first things a UNIX programmer learns is that every running program starts with three files already opened: Table 1.1. Standard Files Provided by Unix Descriptive Name
论文阅读笔记《Discriminative Learning of Deep Convolutional Feature Point Descriptors》
深视
04-29 1367
核心思想   该文提出一种基于深度学习的特征描述方法，能够替代SIFT，并且能够很好的应对尺度变化、图像旋转、透射变换、非刚性变形、光照变化等。该算法的整体思想并不复杂，使用孪生网络从图块中提取特征信息，并且使用L2距离来描述特征之间的差异，目标是让匹配图块特征之间的距离缩短，让不匹配图块特征之间的距离增大。网络的结构如下图所示   孪生网络结构十分常见也没什么可以介绍的，具体的网络参数如下   输入是64*64大小的图块，最后一层输出的是128维的特征向量（与SIFT保持一致），损失函数采用铰链损失
Siamese Network理解（附代码）
热门推荐
快来学习鸭～～～
02-02 8万+
本文主要通过论文来讲解下siamese network。 提起siamese network一般都会引用这两篇文章： 《Learning a similarity metric discriminatively, with application to face verification》和《 Hamming Distance Metric Learning》。本文主要通过论文《Learning
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值