Recently two lines of image retriev

Recently two lines of image retrieval algorithms demonstrate excellent scalability: 1) local features indexed by a vocabulary tree, and 2) holistic features indexed by compact hashing codes. Although both of them are able to search visually similar images effectively, their retrieval precision may vary dramatically among queries. Therefore, combining these two types of methods is expected to further enhance the retrieval precision. However, the feature characteristics and the algorithmic procedures of these methods are dramatically different, which is very challenging for the feature-level fusion. This motivates us to investigate how to fuse the ordered retrieval sets, i.e., the ranks of images, given by multiple retrieval methods, to boost the retrieval precision without sacrificing their scalability. In this paper, we model retrieval ranks as graphs of candidate images and propose a graph-based query specific fusion approach, where multiple graphs are merged and reranked by conducting a link analysis on a fused graph. The retrieval quality of an individual method is measured on-the-fly by assessing the consistency of the top candidates' nearest neighborhoods. Hence, it is capable of adaptively integrating the strengths of the retrieval methods using local or holistic features for different query images. This proposed method does not need any supervision, has few parameters, and is easy to implement. Extensive and thorough experiments have been conducted on four public datasets, i.e., the UKbench, Corel-5K, Holidays and the large-scale San Francisco Landmarks datasets. Our proposed method has achieved very competitive performance, including state-of-the-art results on several data sets, e.g., the N-S score 3.83 for UKbench.

Results (Thai) 1:

เมื่อเร็ว ๆ นี้สองบรรทัดของอัลกอริทึมเรียกภาพแสดงให้เห็นถึงขนาดดีเยี่ยม: คุณลักษณะ 1) ท้องถิ่นการสร้างดัชนี โดยต้นไม้คำศัพท์ และ 2 องค์รวมคุณลักษณะการสร้างดัชนี โดยคอมแพค hashing รหัส แม้ว่าทั้งสองอย่างจะได้ผลลัพธ์เหมือนมองเห็นภาพได้อย่างมีประสิทธิภาพ ความแม่นยำของพวกเขาเรียกอาจแตกต่างอย่างมากสอบถาม ดังนั้น รวมทั้งสองประเภทนี้วิธีคาดว่าจะเพิ่มความแม่นยำในการเรียกเพิ่มเติม อย่างไรก็ตาม ลักษณะคุณสมบัติและกระบวน algorithmic วิธีเหล่านี้อย่างมากแตกต่างกัน ซึ่งเป็นความท้าทายมากสำหรับอาหารระดับคุณลักษณะ นี้แรงบันดาลใจให้ตรวจสอบวิธีการฟิวส์ชุดสั่งเรียก เช่น ยศของภาพ กำหนดวิธีการเรียกหลาย เพื่อเพิ่มความแม่นยำในการเรียกโดยไม่สูญเสียขนาดของพวกเขา ในเอกสารนี้ เรารุ่นเรียกยศเป็นกราฟรูปผู้สมัคร และนำเสนอเป็นกราฟตามแบบสอบถามเฉพาะฟิวชั่นวิธี ที่ผสาน และ reranked โดยทำการวิเคราะห์กราฟหลอมเชื่อมโยงกราฟหลาย เรียกคุณภาพของวิธีการแต่ละเป็นวัดบน-บิน โดยประเมินความสอดคล้องของอันดับโรงแรมยอดนิยมในละแวกใกล้เคียงที่ใกล้ที่สุด ดังนั้น มันมีความสามารถในการรวมจุดแข็งของวิธีการเรียกใช้คุณลักษณะเฉพาะ หรือแบบองค์รวมสำหรับรูปแบบสอบถามที่แตกต่างกันอย่างเหมาะ วิธีนี้นำเสนอไม่จำเป็นต้องดูแลใด ๆ มีพารามิเตอร์น้อย และง่ายที่จะใช้ ได้ดำเนินการทดลองอย่างละเอียด และอย่างละเอียดบนสี่ datasets สาธารณะ เช่น การ UKbench ของ Corel - 5K วันหยุด และ datasets San Francisco สถานขนาดใหญ่ วิธีการนำเสนอของเราได้รับการแข่งขันประสิทธิภาพ รวมถึงผลลัพธ์ของทันสมัยกับชุดข้อมูลหลายชุด เช่น N-S คะแนน 3.83 สำหรับ UKbench

Results (Thai) 2:

เมื่อเร็ว ๆ นี้สองบรรทัดของขั้นตอนวิธีการดึงภาพที่แสดงให้เห็นถึงความยืดหยุ่นที่ดีเยี่ยม 1) คุณสมบัติที่ท้องถิ่นจัดทำดัชนีโดยต้นไม้คำศัพท์และ 2) การจัดทำดัชนีคุณสมบัติแบบองค์รวมโดยรหัสคร่ำเครียดขนาดกะทัดรัด แม้ว่าทั้งสองของพวกเขาจะสามารถค้นหาภาพที่คล้ายกันสายตาได้อย่างมีประสิทธิภาพ, ความแม่นยำการดึงของพวกเขาอาจแตกต่างกันไปอย่างมากในหมู่คำสั่ง ดังนั้นการรวมทั้งสองประเภทของวิธีการที่คาดว่าจะช่วยเพิ่มความแม่นยำการดึง อย่างไรก็ตามลักษณะบาร์และขั้นตอนขั้นตอนวิธีการเหล่านี้จะแตกต่างกันอย่างมากซึ่งเป็นเรื่องที่ท้าทายมากสำหรับฟิวชั่นที่มีคุณสมบัติระดับ ซึ่งกระตุ้นให้เราเพื่อตรวจสอบวิธีการที่จะหลอมรวมชุดดึงสั่งเช่นการจัดอันดับของภาพที่ได้รับโดยวิธีการดึงหลายเพื่อเพิ่มความแม่นยำในการดึงโดยไม่ต้องเสียสละ scalability ของพวกเขา ในบทความนี้เราจำลองการจัดอันดับการดึงกราฟของภาพและนำเสนอผู้สมัครแบบสอบถามกราฟตามวิธีการฟิวชั่นที่เฉพาะเจาะจงที่หลายกราฟจะถูกผสานและ reranked โดยการดำเนินการวิเคราะห์การเชื่อมโยงบนกราฟผสม คุณภาพการดึงของวิธีการของแต่ละบุคคลเป็นวัดที่อยู่บนเครื่องบินโดยการประเมินความสอดคล้องของละแวกใกล้เคียงที่อยู่ใกล้ที่สุดยอดผู้สมัครฯ ดังนั้นจึงมีความสามารถในการบูรณาการการปรับเปลี่ยนจุดแข็งของวิธีการเรียกใช้คุณลักษณะท้องถิ่นหรือแบบองค์รวมเพื่อให้ได้ภาพที่แตกต่างกันแบบสอบถาม วิธีการนี​​้จะนำเสนอไม่จำเป็นต้องมีการกำกับดูแลใด ๆ ที่มีค่าน้อยและเป็นเรื่องง่ายที่จะใช้ การทดลองอย่างกว้างขวางและทั่วถึงได้รับการดำเนินการในสี่ชุดข้อมูลของประชาชนกล่าวคือ UKbench, Corel-5K, วันหยุดและขนาดใหญ่ชุดข้อมูลสถานที่สำคัญในซานฟราน วิธีที่นำเสนอของเราได้ประสบความสำเร็จผลการดำเนินงานการแข่งขันสูงมากรวมทั้งรัฐของศิลปะผลข้อมูลหลายชุดเช่นคะแนน NS 3.83 สำหรับ UKbench

Results (Thai) 3:

เมื่อเร็วๆนี้สองบรรทัดของขั้นตอนวิธีการค้นคืนรูปภาพแสดงให้เห็นถึงการทำงานที่ยอดเยี่ยม : 1 ) มีการสร้างดัชนีโดยต้นไม้ท้องถิ่นคำศัพท์ และ 2 ) แบบองค์รวมคุณสมบัติการสร้างดัชนีโดยคอมแพคแฮชรหัส แม้ว่าทั้งคู่จะสามารถค้นหาภาพที่คล้ายกันของการมองเห็นได้อย่างมีประสิทธิภาพ ความแม่นยำอาจแตกต่างกันอย่างมากระหว่างแบบสอบถาม ดังนั้นรวมเหล่านี้สองชนิดของวิธีการที่คาดว่าจะเพิ่มประสิทธิภาพการสืบค้นความแม่นยำ อย่างไรก็ตามคุณลักษณะคุณลักษณะ และกระบวนการขั้นตอนของวิธีการเหล่านี้จะแตกต่างกันอย่างมาก ซึ่งเป็นเรื่องที่ท้าทายมากสำหรับคุณสมบัติระดับฟิวชั่น นี้ให้เราเพื่อตรวจสอบว่า ฟิวส์สั่งดึงชุด เช่น ตำแหน่งของภาพให้โดยวิธีการสืบค้นหลายเพื่อเพิ่มการแม่นยำโดยไม่ต้องเสียสละ ทั้งหมดของพวกเขา ในกระดาษนี้เราเรียกยศแบบเป็นกราฟรูปผู้สมัคร และเสนอแนวทางการใช้กราฟเฉพาะแบบสอบถามที่กราฟหลายผสาน และ reranked โดยทำการวิเคราะห์การเชื่อมโยงบนผสมกราฟระบบคุณภาพของแต่ละวิธีเป็นวัดที่บินโดยการประเมินความสอดคล้องของผู้สมัคร ' ด้านบนใกล้ย่าน ดังนั้นจึงมีความสามารถในการปรับตัวในการบูรณาการจุดแข็งของการใช้วิธีท้องถิ่นหรือแบบองค์รวมคุณสมบัติสำหรับภาพที่ค้นหาที่แตกต่างกัน นี้วิธีที่เสนอไม่ได้ต้องการการนิเทศ มีพารามิเตอร์บาง และง่ายต่อการใช้ .การทดลองที่กว้างขวางและทั่วถึงได้รับการดำเนินการในสังคม 4 ข้อมูล เช่น ukbench corel-5k , วันหยุด , และขนาดใหญ่ข้อมูลซานฟรานซิสโกแหล่งท่องเที่ยว . เราเสนอวิธีการได้รับการแสดงที่มีการแข่งขันสูง รวมถึงผลรัฐ - of - the - art ในชุดข้อมูลต่างๆเช่น n-s คะแนน 3.83 สำหรับ ukbench .