通过连续 CRF 对 去噪最近邻图以增强视觉重新排名-计算机科学-视觉检索-最近邻搜索-算法.pdf

通过连续CRF对

去噪最近邻图以增强视觉重新排名

JaeyoonKim,YoonkiCho,TaeyoungKim,andSung-EuiYoon

KAIST

ABSTRACT可视重新排序技术沿着几个不同的研究方向发

展。几何验证方法[4,6,7]利用局部描述符来验证图

最近邻(NN)图基础的视觉重新排序作为一种强大的

像对之间的空间一致性，有效减少错误匹配但会带来

方法出现，用于提高检索准确性，提供了有效探索高

显著的计算开销。相比之下，查询扩展方法[8,5,9]使

本维流形的优势，而无需额外的微调。然而，基于NN图

用全局描述符探索图像流形，聚合最近邻特征以细化

译的重新排序的有效性从根本上受到其边连接质量的限

原始查询描述符用于后续检索过程。基于学习的方

中制，因为不相似（负面）图像之间的错误连接经常发

法[10,11]采用带有神经网络的专业重新排序模型，

2生。这被称为一个噪声边问题，它阻碍了现有技术的

v重新排序性能，并限制了它们的潜力。为了解决这个但这些方法通常需要额外的微调或训练数据。同时，

5最近邻图基方法[12,13]因其能够在不需额外训练的

7问题，我们提出了一种基于连续条件随机场(C-CRF)

8情况下探索高维流形而变得突出。这些方法，尤其是

3的互补去噪方法，该方法利用从相似性分布中得出的

1.统计距离。作为增强NN图基础检索的预处理步骤，扩散过程[14,3]和图遍历方法[15,16]，通过有效地

2我们的方法围绕每个锚点图像构建完全连接的团，并利用图像数据库中的全面亲和关系实现了优异性能。

1

4采用一种新颖的统计距离度量，在重新排序之前稳健然而，最近邻图基础的重排序效果从根本上受其

2图结构中边连接质量的限制。具体来说，在初始最近

:地减少噪声边，同时通过离线计算实现高效处理。广

v邻图中经常会出现不相似（负面）图像之间的错误连

i泛的实验结果表明，我们的方法始终提高了三种不同

x接，这被称为噪声边问题。这样的噪声边缘通过引入

r的基于NN图的重新排序方法的检索准确性。

a传播整个流形结构中的错误相似性信息的虚假连通路

IndexTerms—视觉重新排序，视觉检索，最近

径，显著阻碍了重排序性能。虽然以前的工作试图通

邻搜索

过局部约束亲和力构造[17]和互惠检查[14]来解决这

个问题，但这些解决方案是有限的，因为它们只考虑

1.介绍