instance retrieval

最新推荐文章于 2023-09-18 23:29:48 发布
原创 最新推荐文章于 2023-09-18 23:29:48 发布 · 596 阅读 · 1 ·
CC 4.0 BY-SA版权
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。

本文回顾了过去十年中，SIFT与CNN在图像检索任务中的发展历程及对比。详细探讨了两种方法的特点、优势及局限性，为读者提供了深入理解图像检索领域的视角。
论文笔记：SIFT Meets CNN: A Decade Survey of Instance Retrieval
upup
05-28 1857
一、基本信息 标题：SIFT Meets CNN: A Decade Survey of Instance Retrieval 时间：2017 出版源： 论文领域： 引用格式： 链接： 二、研究背景 三、创新点 四、实验结果 五、结论与思考 作者结论 总结 思考 参考 ...
2021 ICCV : Instance-level Image Retrieval using Reranking Transformers
青儿的博客
03-31 2043
Abstract 实例级图像检索是在大型数据库中搜索与查询图像中的对象匹配的图像的任务。为了完成这项任务，系统通常依赖于使用全局图像描述符的检索步骤，以及通过利用诸如基于局部特征的几何验证之类的操作来执行特定于域的细化或重新排序的后续步骤。在这项工作中，我们提出了一个通用的模型，将局部和全局特征结合起来，以监督的方式重新排列匹配图像，从而取代了相对昂贵的几何验证过程。rrt是轻量级的，并且可以很容易地并行化，这样就可以在一次向前传递中重新排列一组顶级匹配结果。我们在重新访问的牛津和巴黎数据集以及Google
instance retrieval (实例检索).md
06-09
instance retrieval (实例检索).md
基于内容的图像检索之多尺度局部特征提取：Visual Instance Retrieval with Deep Convolutional Networks
Shawn
04-05 2530
        由于检索目标在图像中出现的位置以及大小是变化不定的，因此采用多尺度的局部特征代替整张图像的特征在一定程度上可以改善检索效果。     该论文是采用多尺度局部特征提取比较前期的一片文章，其直接在原图像上进行区域的划分，然后对划分后的图像进行特征的提取，最后将一张图像所有区域提取出的特征向量拼接到一起进行后处理工作。     本文主要讲解该论文子区域划分的方法。     论文...
A_Baseline_for_Visual_Instance_Retrieval_with_Deep.pdf
12-17
A_Baseline_for_Visual_Instance_Retrieval_with_Deep.pdf
Part-Guided Attention Learning for Vehicle Instance Retrieval
s123l4的博客
12-22 2423
https://arxiv.org/pdf/1909.06023.pdf 摘要 车辆实例检索(IR)通常需要识别车辆之间的细粒度视觉差异。除了容易受到视点变化和变形影响的车辆整体外观外，车辆零部件也是区分几乎相同车辆的重要线索。基于这些观察，我们引入了部分引导的注意力网络（PGAN）来精确定位突出的部分区域，并有效地将全局和局部信息结合起来，以进行区分性特征学习。PGAN首先检测不同部件和突出区域的位置，而不考虑车辆的身份，它是一种自下而上的关注，以缩小可能的搜索区域。为了估计被检测部件的重要性，我们提出了
Instance-Aware Hashing for Multi-Label Image Retrieval 解析
同销万古愁的博客
10-06 910
链接:https://pan.baidu.com/s/165ZZJNROLkKzOAe7v-E53A  密码:w40x 　深度学习入门选了这篇文章和相应代码，纠结了两三个月，加上师兄讲解，现在才勉强搞懂，写出来，自己总结一下，也希望其他人少走点弯路，之后还会写一篇关于本文代码的博客。由于我是从小白开始的，所以这篇文章会尽可能清楚，请大牛们不要介意我唠叨。我写的有错的地方，欢迎大家留言，我更正。 ...
Rewriting-Based Instance Retrieval for Negated Concepts in Description Logic Ontologies
02-22
在描述逻辑（DLs）本体论中，实例检索是一个计算给定概念所有实例的重要任务。然而，对于否定概念的实例检索，目前尚无有效的可扩展方法。本文提出了一种基于查询重写的方法，以解决这一问题。研究者识别出了一类...
Instance-Aware Hashing for Multi-Label Image Retrieval
南有乔木NTU的博客
12-28 1421
Instance-Aware Hashing for Multi-Label Image Retrieval出版源：《IEEE Transactions on Image Processing》, 2016, 25(6):1-1 论文下载地址Introduce本篇论文是发表在TIP的工作，主要讲述了深度学习在多目标数据集上生成hash code上的应用。深度学习用到的监督信息主要来源于人工标注，但
阅读笔记Where to Focus: Query Adaptive Matching for Instance Retrieval Using Convolutional Feature Maps
goodxin_ie的博客
11-28 213
https://blog.youkuaiyun.com/lx10271129/article/details/72784544
理解：Where to Focus: Query Adaptive Matching for Instance Retrieval Using Convolutional Feature Maps
lx10271129的博客
05-27 8669
我对《Where to Focus: Query Adaptive Matching for Instance Retrieval Using Convolutional Feature Maps》的理解
Instance Similarity Deep Hashing for Multi-Label Image Retrieval
yinsuiqiang5136的博客
03-26 1013
这篇paper的主要思想其实很简单，主要是基于在将图像之间的相似度划分为完全相似、局部相似和不相似（与本人的一篇的paper想法类似），在此基础上，将完全相似和不相似的图像loss采用cross-entropy，局部相似的图像采用mean square error，从而设计出了损失函数。 摘要 作者指出在多标签图像检索中，现在的方法根据标签之间的相似度直接将图像划分为相似图像和不相似图像，其实...
《Where to Focus: Query Adaptive Matching for Instance Retrieval Using Convolutional Feature Maps》阅读笔
吃狼的1只羊
08-08 654
文中主要提出： 然而，由于以往论文都采用了全局池化策略，所产生的图像特征对于图像背景不够鲁棒，并且倾向于被不相关的图像模式所污染。文中提出利用CFMs来进行重排序的方法缓解此缺点，核心点就是query adaptive matching（QAM），首先通过一组基本区域来表示每个图像的CFM，这些基本区域可以自由地组合成更大的感兴趣区域。 然后，通过比较查询特征和从组合区域集合的特征可以获得的
instance
palawind
04-26 222
 public class NearUserPanel : MonoBehaviour{    private UISprite teambg;    private UILabel titleLabel;    private DragList dragList;    public static NearCell selectCell;    public static NearUserPan...
读《Improved Deep Hashing with Soft Pairwise Similarity for Multi-label Image Retrieval》
weixin_40459958的博客
05-14 332
现有的传统哈希只要至少一个标签匹配就算事，所以如图的例子中，a-b和a-c都算匹配的这就没辙top1排序多标签对的相似度，于是针对每个图像所持有的语义标签提出了成对相似性的软定义。具体来说，使用归一化语义标签将成对相似性量化为百分比。（贡献1）于是提出两种相似度，硬相似度考虑所有标签都匹配，所以用交叉熵学习；软相似度考虑部分标签匹配，所以用均方误差（贡献2）
Deep Semantic Ranking Based Hashing for Multi-Label Image Retrieval
yinsuiqiang5136的博客
08-23 1794
摘要 这篇paper提出了一种基于深度语义排序的方法来学习hash function，从而保证生成的hash code与多标签图像之间的多层次语义相似。该方法 中采用deep convolutional neural network来学习哈希函数，特征表示以及保持hash code与feature representations之间一致性，从而避免了用手动设计特征进行图像语义表示的限制；此外，采...
【学习笔记：IIM：Learning Independent Instance Maps for CrowdLocalization】
qq_61676281的博客
09-18 634
IIM（Independent Instance Map segmentation）独立实例地图分割，被用于人群定位领域。端到端框架（end to end）每个实例是不重叠的。通过将人群分割成独立的连通分量，获得位置和人群计数（分别为中心和分量的数目）创新点：提出可微分二值化模块：（BM）针对不同图像自适应地学习阈值图，以更准确地检测每个实例;使用二进制预测和标签的损失直接训练模型。主要方法：遵循启发式分支，并利用连通分量分割进行人群定位原图进入置信度预测器（参数为θθθ），可选择。
深度学习【46】pix2pixHD
热门推荐
DCD_LIN的博客
04-14 1万+
英伟达的pix2pixHD，能够合成高清的2048*1024图片，简直振奋人心。pix2pixHD是我之前介绍过的pix2pix的改进版本，使用多由粗到精的G网络和多尺度D网络（每个D网络都是用了pix2pix中同样的patch技术）。论文一开始用pix2pix尝试合成更高分辨率的图片，但发现效果不好，训练也很不稳定。所以就对pix2pix进行了一顿魔改。我们来看看他们是怎么改进的。由粗到精的G网络
Image Retrieval
hpb21的专栏
12-05 7180
Papers Learning High-level Image Representation for Image Retrieval via Multi-Task DNN using Clickthrough Data arxiv: http://arxiv.org/abs/1312.4740paper: http://legacy.openreview.net/document
RMAN> startup nomount; connected to target database (not started) startup failed: ORA-01078: failure in processing system parameters LRM-00109: could not open parameter file '/u01/app/oracle/product/112/dbs/initdup.ora' starting Oracle instance without parameter file for retrieval of spfile Oracle instance started Total System Global Area 1068937216 bytes Fixed Size 2260088 bytes Variable Size 285213576 bytes Database Buffers 775946240 bytes Redo Buffers 5517312 bytes
最新发布
10-18
你遇到的 RMAN 启动错误如下： ``` RMAN> startup nomount; connected to target database (not started) startup failed: ORA-01078: failure in processing system parameters LRM-00109: could not open parameter file '/u01/app/oracle/product/112/dbs/initdup.ora' starting Oracle instance without parameter file for retrieval of spfile Oracle instance started Total System Global Area 1068937216 bytes Fixed Size 2260088 bytes Variable Size 285213576 bytes Database Buffers 775946240 bytes Redo Buffers 5517312 bytes ``` --- ### ✅ **问题分析** 这个错误信息表明： 当尝试使用 `startup nomount` 命令启动数据库时，Oracle 试图读取初始化参数文件（PFILE），路径为： ``` /u01/app/oracle/product/112/dbs/initdup.ora ``` 但该文件不存在或无法访问，导致： - `ORA-01078`: 处理系统参数失败 - `LRM-00109`: 找不到指定的参数文件 不过，你看到后续输出说： > starting Oracle instance without parameter file for retrieval of spfile > Oracle instance started 这说明 **RMAN 自动进入了一种“无 PFILE 模式”来尝试从备份中恢复 SPFILE** —— 这是 RMAN 在做灾难恢复时的正常行为。 --- ### ✅ **这是正常现象吗？** ✅ **是的，在某些情况下这是预期的行为。** 如果你正在执行 **从备份中恢复数据库控制文件、SPFILE 或整个数据库** 的操作，而当前没有可用的 PFILE/SPFILE，RMAN 会： 1. 尝试启动实例； 2. 发现没有参数文件 → 报错； 3. 然后自动以最小内存模式启动一个临时实例（nomount 状态）； 4. 目的是为了连接到目标数据库并从备份中恢复真正的 SPFILE 或控制文件。 所以，虽然报错了 `ORA-01078` 和 `LRM-00109`，但只要实例最终成功启动到了 `nomount` 状态，并且你可以继续运行 RMAN 命令（如 `restore spfile from ...`），那就**无需担心这个错误**。 --- ### ✅ **解决方案与后续步骤** #### ✅ 场景一：你想从备份恢复 SPFILE 如果之前有自动备份（比如使用了 `CONFIGURE CONTROLFILE AUTOBACKUP ON;`），可以这样恢复 SPFILE： ```rman RMAN> restore spfile from autobackup; ``` 或者指定具体备份片： ```rman RMAN> restore spfile from '/backup/fra/AUTOBACKUP/snapcf_dup.f'; ``` 恢复 SPFILE 后，RMAN 会自动关闭实例并用新的 SPFILE 重新启动。 --- #### ✅ 场景二：你没有 SPFILE 备份，需要手动创建 PFILE 如果你没有备份，也可以手动创建一个最简版的 PFILE 来启动实例。 编辑文件： ```bash vi /u01/app/oracle/product/112/dbs/initdup.ora ``` 内容示例（根据你的 SID 修改）： ```ini db_name=dup memory_target=1G control_files='/u01/app/oracle/oradata/dup/control01.ctl' compatible='11.2.0' ``` 保存后再次运行： ```rman RMAN> startup nomount; ``` 这次就不会报错了。 --- #### ✅ 场景三：你知道原数据库用了 SPFILE，并且 FRA 存在自动备份 确保你知道自动备份的位置（通常是 `$ORACLE_HOME/dbs` 或 Fast Recovery Area）。可以通过以下方式查找 `.bkp` 文件： ```bash find $FRA -name "spfile*" -o -name "snapcf*" | xargs ls -lt ``` 然后在 RMAN 中指定恢复源： ```rman RMAN> restore spfile from '/recovery_area/DUP/autobackup/snapcf_DUP.f'; ``` --- ### ✅ 补充说明：init.ora vs spfile - Oracle 默认查找顺序： 1. `spfile<SID>.ora` → `$ORACLE_HOME/dbs/spfiledup.ora` 2. `init<SID>.ora` → `$ORACLE_HOME/dbs/initdup.ora` - 如果两者都不存在，则启动失败（除非用于恢复） --- ### ✅ 总结 | 问题 | 解释 | |------|------| | `ORA-01078`, `LRM-00109` | 参数文件缺失 | | 实例仍启动？ | 是，RMAN 使用最小配置启动实例用于恢复 | | 是否需要处理？ | 只有当你不能继续恢复时才需干预 | | 正确做法？ | 使用 `restore spfile from autobackup` 恢复 SPFILE | --- ### ✅ 推荐后续命令流程（假设你在恢复整个库） ```rman # 第一步：启动实例（即使报错也没关系） RMAN> startup nomount; # 第二步：从自动备份恢复 SPFILE RMAN> restore spfile from autobackup; # 第三步：关闭实例并用新 SPFILE 重启 RMAN> shutdown immediate; RMAN> startup nomount; # 第四步：恢复控制文件 RMAN> restore controlfile from autobackup; # 第五步：挂载数据库 RMAN> alter database mount; # 第六步：恢复数据文件 RMAN> restore database; # 第七步：应用归档日志和 redo（可选） RMAN> recover database; # 第八步：打开数据库（如果是不完全恢复，需要用 resetlogs） RMAN> alter database open resetlogs; ``` ---
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