Learning Compact Binary Descriptors with Unsupervised Deep Neural Networks

最新推荐文章于 2020-10-19 21:22:12 发布
最新推荐文章于 2020-10-19 21:22:12 发布
阅读量2.1k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： CVPR 2016 ZJ 深度学习
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/cv_family_z/article/details/52585825
本文介绍了一种在CVPR2016上提出的深度学习方法，用于生成紧凑的二值化描述符。该方法采用无监督的方式，并在优化函数中引入了最小量化损失、均匀分布编码及不相关位等约束条件。实验结果展示了在图像匹配、检索及物体识别任务上的有效性。

CVPR2016
开源代码： https://github.com/kevinlin311tw/cvpr16-deepbit

本文通过深度学习网络来学习 Compact Binary Descriptors ，
亮点是 Unsupervised，在优化函数里面加入了三个约束：
1) minimal loss quantization
2) evenly distributed codes
3) uncorrelated bits

这里写图片描述

这里写图片描述
这里写图片描述

优化函数：
这里写图片描述
L1, L2，L3 分别对应：
1）Discriminative Binary Descriptors
2） Efficient Binary Descriptors
3） Rotation Invariant Binary Descriptors

算法流程如下：
这里写图片描述

4 Experimental Results
4.2. Results on Image Matching
这里写图片描述

4.3. Results on Image Retrieval
这里写图片描述

4.4. Results on Object Recognition
这里写图片描述

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...
ICRA2020论文整理（SLAM + Deep Learning）
热门推荐
Spacegene的博客
07-20 1万+
参考:https://github.com/PaoPaoRobot/ICRA2020-paper-list Table of Contents: 1. SLAM 2. Deep Learning in Robotics and Automation 3.Localization 4. Sensor Fusion 5. Calibration and Identification 6. Semantic Scene Understanding 7. Reinforcement Learn...
Descriptor Learning for Efficient Retrieval
05-11
Many visual search and matching systems represent images using sparse sets of “visual words”: descriptors that have been quantized by assignment to the best-matching symbol in a discrete vocabulary. Errors in this quantization procedure propagate throughout the rest of the system, either harming performance or requiring correction using additional storage or processing. This paper aims to reduce these quantization errors at source, by learning a projection from descriptor space to a new Euclidean space in which standard clustering techniques are more likely to assign matching descriptors to the same cluster, and non-matching descriptors to different clusters. To achieve this, we learn a non-linear transformation model by minimizing a novel margin-based cost function, which aims to separate matching descriptors from two classes of non-matching descriptors. Training data is generated automatically by leveraging geometric consistency. Scalable, stochastic gradient methods are used for the optimization. For the case of particular object retrieval, we demonstrate impressive gains in performance on a ground truth dataset: our learnt 32-D descriptor without spatial re-ranking outperforms a baseline method using 128-D SIFT descriptors with spatial re-ranking.
Learning Compact Binary Descriptors with Unsupervised Deep Neural Networks论文理解
qq_31610789的博客
06-02 557
论文1：Learning Compact Binary Descriptors with Unsupervised Deep Neural Networks同时参考了@cv_family_z 的博文Learning Compact Binary Descriptors with Unsupervised Deep Neural NetworksCVPR2016 开源代码： https://gith...
论文笔记 - Learning Compact Binary Descriptors with Unsupervised Deep Neural Networks
qq_32417287的博客
05-06 1920
abstract Introduction Related Work Binary Descriptors Approach Overall Learning Objectives Learning Discriminative Binary Descriptors Learning Efficient Binary Descriptors Learning Rotation Invar...
binary-descriptors
qiao19881314的专栏
06-26 599
http://gilscvblog.wordpress.com/2013/09/19/a-tutorial-on-binary-descriptors-part-2-the-brief-descriptor/
vggnet代码matlab-cvpr16-deepbit:cvpr16-深位
05-27
Learning Compact Binary Descriptors with Unsupervised Deep Neural Networks Kevin Lin, Jiwen Lu, Chu-Song Chen and Jie Zhou IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016 CIFAR...
vggnet代码matlab-deepbit:图像编码
05-27
Learning Compact Binary Descriptors with Unsupervised Deep Neural Networks Kevin Lin, Jiwen Lu, Chu-Song Chen and Jie Zhou IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016 CIFAR...
matlab芯形旋转代码-cvpr16-deepbit:使用无监督的深度神经网络（CVPR16）学习紧凑型二进制描述符
05-23
Learning Compact Binary Descriptors with Unsupervised Deep Neural Networks Kevin Lin, Jiwen Lu, Chu-Song Chen and Jie Zhou IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016 先决...
matlab生成得exe源代码-local3Ddescriptorlearning:深度学习3D表面形状的局部描述符
05-26
matlab生成得exe源代码local3Ddescriptor学习 该代码实现了以下论文中描述的针对3D表面形状的深度学习局部描述符的方法： -------------------------------------------------------------- Hanyu Wang, Jianwei Guo, Dong-Ming Yan, Weize Quan, Xiaopeng Zhang. Learning 3D Keypoint Descriptors for Non-Rigid Shape Matching. ECCV 2018. -------------------------------------------------------------- 在中实现了一种高级方法。 如果使用代码/程序（或其一部分），请考虑引用以上文章。 执照 该程序是免费软件； 您可以根据自由软件基金会发布的GNU通用公共许可证的条款重新分发和/或修改它； 许可的版本2，或（由您选择）任何更高的版本。 用法 这里有三个文件夹。 “ cpp”称为“ matlab”，用于生成GI。 “ py
Learning of descriptor detection
weixin_43900210的博客
10-19 1323
特征点评估指标 精度 在角点明显的简单图形上，测试检出率，计算RMSE（均方根误差）在xy两方向上值 速度 在同样实验平台，参数阈值都手动调至最佳状态来测试 适应性（主要考察重复率） 适应性主要是针对旋转、尺度变化、视角变化（最难）、亮度、对比度、噪声等 对两张图片进行提取，以较少特征点的图片为基准，计算在另一张图片上的重复率 重复率=两张图重复点数/基准图片特征点数 均匀程度 一般的从兴趣算子提取特征点往往都集中在纹理密集的区域 基于局部信息熵的网格选择法会优化空间分布 描述子评估 在不同观察条件下对同一
紧凑的二值人脸描述符：Compact Binary Face Descriptor
mogebuyi的博客
08-30 1206
Learning Compact Binary Face Descriptor for Face  Recognition   Lu, J. ; Liong, V.E. ; Zhou, X. ; Zhou, J. Pattern Analysis and Machine Intelligence,IEEE Transactions on Volume:   PP
【论文学习笔记】Face Recognition with Learning-based Descriptor
Tonyfy's Blog
03-05 1898
基于LE描述子的人脸识别 摘要：提出一个新的方法，解决人脸识别中的人脸描述和人脸匹配（验证）问题。           首先，通过一个新的learning-based(LE)编码方法对面部的“微结构（micro-structures）”进行编码，通过无监督学习的技术从训练样本中学习到一个“编码本（encoder）“，这个编码本可以实现较好的识别能力和不变性。
Tutorial on Binary Descriptors – part 1
子墨的专栏
06-13 585
转载地址：https://gilscvblog.com/2013/08/26/tutorial-on-binary-descriptors-part-1/ Gil's CV blog Why Binary Descriptors? Following the previous post on descriptors, we’re now familia
Tutorial on Binary Descriptors – part 1(转)
技术笔记本
11-18 334
Tutorial on Binary Descriptors – part 1 Why Binary Descriptors? Following the previous post on descriptors, we’re now familiar with histogram of gradients (HOG) based patch descriptors. SIFT[1], SUR...
A tutorial on binary descriptors – part 4 – The BRISK descriptor（转）
技术笔记本
11-18 294
A tutorial on binary descriptors – part 4 – The BRISK descriptor This fourth post in our series about binary descriptors that will talk about the BRISK descriptor [1]. We had an introduction to patch...
Working hard to know your neighbor’s margins: Local descriptor learning loss(2018)(三)
u010260681的博客
09-02 1205
主要是在L2-NET上的改进，在L2-NET中中间feature map层以及最终的feature维度上都进行了监督，容易造成过拟合，因此本文做了优化 主要贡献点：1. End-to-end的训练模式。 2. loss简单有效 首先： 如上图所示，A和P表示两个匹配集合, 例如a1和p1是一个gt中的匹配， d（a1，p1）是两个匹配之间的descriptor之间的距离。 本文中目标：尽量缩小正确匹配的feature之间的距离，尽量增大错误匹配...
DDT： deep descriptor transform 论文解析
weixin_30520015的博客
06-12 646
论文参考链接：https://arxiv.org/abs/1705.02758 主要思想 提出了一种利用预训练模型(Imagenet Pretrained)来做解决目标共定位（object co-localization）问题。目标共定位即给定一个图像集，这个图像集中大部分图像区域都是某一个物体如飞机，则将所有飞机的区域定位出来（bounding box）。如下图所示为该论文的pipeline，整...
Deep Hashing for Compact Binary Codes Learning里的公式推导过程
06-09
"Deep Hashing for Compact Binary Codes Learning" 是一篇关于深度哈希学习的论文。该论文提出了一种用于学习紧凑二进制码的深度哈希算法。以下是该论文中深度哈希算法的公式推导过程： 1. 首先，给定一个训练集 $\{x_i\}_{i=1}^n$ 和它们的标签 $\{y_i\}_{i=1}^n$，其中 $x_i$ 是输入数据，$y_i$ 是输出标签。 2. 然后，利用神经网络学习一个将输入数据映射到二进制码的哈希函数 $h(x_i)$，其中 $h(x_i)$ 是一个 $k$ 位的二进制向量，$k$ 是哈希码的长度。 3. 在深度哈希学习中，我们使用多个哈希函数来生成多个二进制码。因此，我们学习 $m$ 个哈希函数，每个哈希函数对应一个二进制码 $B_j$。 4. 对于每个输入数据 $x_i$，我们得到 $m$ 个哈希码 $B_j^i$，其中 $j=1,2,...,m$。 5. 然后，我们将这些哈希码组合成一个紧凑的二进制码 $b_i$，即 $b_i = [B_1^i, B_2^i, ..., B_m^i]$。 6. 确定损失函数，使得学习到的二进制码可以最大程度地保留数据之间的相似度。 7. 定义损失函数 $L$，其中 $L$ 由两部分组成：量化损失和分类损失。 8. 量化损失用于衡量哈希码的质量，分类损失用于保留数据之间的相似度。 9. 量化损失可以表示为：$L_{quan} = \sum_{i=1}^n\sum_{j=1}^m\frac{1}{2}(B_j^i - h_j(x_i))^2$，其中 $h_j(x_i)$ 是第 $j$ 个哈希函数的输出。 10. 分类损失可以表示为：$L_{cls} = -\sum_{i=1}^n\sum_{j=1}^n w_{ij}y_iy_j\log\sigma(b_i^Tb_j)$，其中 $w_{ij}$ 是样本 $i$ 和 $j$ 之间的相似度权重，$\sigma$ 是 sigmoid 函数。 11. 最终的损失函数可以表示为：$L = \lambda L_{quan} + L_{cls}$，其中 $\lambda$ 是量化损失的权重。 12. 在训练过程中，我们使用反向传播算法来优化损失函数，学习到最优的哈希函数和二进制码。 这就是 "Deep Hashing for Compact Binary Codes Learning" 论文中深度哈希算法的公式推导过程。
评论 1
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