A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Rethinking the Rotation Invariance of Local Convolutional Features for Content-Based Image Retrieval Repensando a invariância de rotação de recursos convolucionais locais para recuperação de imagens baseada em conteúdo

Longjiao ZHAO, Yu WANG, Jien KATO

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Recentemente, características locais computadas usando redes neurais convolucionais (CNNs) apresentam bom desempenho na recuperação de imagens. As características convolucionais locais obtidas pelas CNNs (características LC) são projetadas para serem invariantes à tradução, no entanto, são inerentemente sensíveis a perturbações de rotação. Isso leva a erros de julgamento nas tarefas de recuperação. Neste trabalho, nosso objetivo é aumentar a robustez dos recursos LC contra a rotação da imagem. Para fazer isso, conduzimos uma avaliação experimental completa de três estratégias anti-rotação candidatas (aumento de dados no modelo, aumento de recursos no modelo e aumento de recursos pós-modelo), em dois tipos de ataque de rotação (ataque de conjunto de dados e ataque de consulta). ). No procedimento de treinamento, implementamos um protocolo de aumento de dados e um método de aumento de rede. No procedimento de teste, desenvolvemos um método de extração de recursos convolucionais transformados locais (LTC) e o avaliamos em diferentes configurações de rede. Finalizamos uma série de boas práticas com suportes quantitativos constantes, que levam à melhor estratégia para computar características LC com alta invariância de rotação na recuperação de imagens.

Publicação
IEICE TRANSACTIONS on Information Vol.E104-D No.1 pp.174-182
Data de publicação
2021/01/01
Publicitada
2020/10/14
ISSN online
1745-1361
DOI
10.1587/transinf.2020EDP7017
Tipo de Manuscrito
PAPER
Categoria
Processamento de imagem e processamento de vídeo

autores

Longjiao ZHAO
  Nagoya University
Yu WANG
  Ritsumeikan University
Jien KATO
  Ritsumeikan University

Palavra-chave