为了提高指静脉描述子的鲁棒性同时降低网络参数量,通过修改VGGFace-Net并引入局部聚合描述子向量(Vector of Locally Aggregated Descriptors,VLAD)得到参数量仅0.3M的指静脉图像描述子提取网络,VLAD编码过程实现了局部描述子的聚类和...为了提高指静脉描述子的鲁棒性同时降低网络参数量,通过修改VGGFace-Net并引入局部聚合描述子向量(Vector of Locally Aggregated Descriptors,VLAD)得到参数量仅0.3M的指静脉图像描述子提取网络,VLAD编码过程实现了局部描述子的聚类和重组,使描述子对手指姿势变化更加鲁棒;由于公开的指静脉训练数据库规模通常不够大,提出基于三元组和难分负样本挖掘策略进行网络的训练,并针对三元组损失没有约束样本对距离的类内方差的问题,提出一种样本对中心约束损失函数,通过将正负样本对视为两个类别,进一步促使其靠近各自的类中心,从而增大类内紧凑程度。在三个公开数据库FV-USM,SDUMLA,MMCBNU上的指静脉验证结果表明,所提取的描述子在基于欧氏距离进行匹配的情况下,指静脉验证的结果均优于现有方法,且在图像发生随机平移时具有更好的鲁棒性。展开更多
通过累积残差和进行图像表示的局部聚合描述子向量(Vector of locally aggregated descriptors,VLAD)方法中,由于每个描述子与对应的最近邻码字得到的残差值大小不一,且每个码字对应的描述子数量不确定,会存在过累积和欠累积问题。针对...通过累积残差和进行图像表示的局部聚合描述子向量(Vector of locally aggregated descriptors,VLAD)方法中,由于每个描述子与对应的最近邻码字得到的残差值大小不一,且每个码字对应的描述子数量不确定,会存在过累积和欠累积问题。针对此问题,提出一种通过距离聚类的残差中心聚合进行图像表示的新方法。首先,提取数据库图像的局部描述子,通过聚类得到码本;然后,将局部描述子通过最近邻方法量化到码本上,并求出局部描述子与最近邻码字之间的欧式距离;再次,聚类所有距离,得到中心集合,求出每个局部描述子与最近邻码字之间的欧式距离在中心集合上的最近邻,进而求得中心集合中每个中心对应的描述子与最近邻码字之间残差的中心,并将每个码字上所有的残差中心累积求和;最后,将所有码字对应的累积向量按顺序级联后得到最后的图像表示。在Holidays和UKB数据集上的图像检索实验结果表明,提出的图像表示方法比通过直接累积残差和进行图像表示的VLAD方法效果更好。展开更多
已有的深度监督哈希方法不能有效地利用提取到的卷积特征,同时,也忽视了数据对之间相似性信息分布对于哈希网络的作用,最终导致学到的哈希编码之间的区分性不足.为了解决该问题,提出了一种新颖的深度监督哈希方法,称之为深度优先局部聚...已有的深度监督哈希方法不能有效地利用提取到的卷积特征,同时,也忽视了数据对之间相似性信息分布对于哈希网络的作用,最终导致学到的哈希编码之间的区分性不足.为了解决该问题,提出了一种新颖的深度监督哈希方法,称之为深度优先局部聚合哈希(Deep Priority Local Aggregated Hashing,DPLAH).DPLAH将局部聚合描述子向量嵌入到哈希网络中,提高网络对同类数据的表达能力,并且通过在数据对之间施加不同权重,从而减少相似性信息分布倾斜对哈希网络的影响.利用Pytorch深度框架进行DPLAH实验,使用NetVLAD层对Resnet18网络模型输出的卷积特征进行聚合,将聚合得到的特征进行哈希编码学习.在CIFAR-10和NUS-WIDE数据集上的图像检索实验表明,与使用手工特征和卷积神经网络特征的非深度哈希学习算法的最好结果相比,DPLAH的平均准确率均值要高出11%,同时,DPLAH的平均准确率均值比非对称深度监督哈希方法高出2%.展开更多
文摘为了提高指静脉描述子的鲁棒性同时降低网络参数量,通过修改VGGFace-Net并引入局部聚合描述子向量(Vector of Locally Aggregated Descriptors,VLAD)得到参数量仅0.3M的指静脉图像描述子提取网络,VLAD编码过程实现了局部描述子的聚类和重组,使描述子对手指姿势变化更加鲁棒;由于公开的指静脉训练数据库规模通常不够大,提出基于三元组和难分负样本挖掘策略进行网络的训练,并针对三元组损失没有约束样本对距离的类内方差的问题,提出一种样本对中心约束损失函数,通过将正负样本对视为两个类别,进一步促使其靠近各自的类中心,从而增大类内紧凑程度。在三个公开数据库FV-USM,SDUMLA,MMCBNU上的指静脉验证结果表明,所提取的描述子在基于欧氏距离进行匹配的情况下,指静脉验证的结果均优于现有方法,且在图像发生随机平移时具有更好的鲁棒性。
文摘通过累积残差和进行图像表示的局部聚合描述子向量(Vector of locally aggregated descriptors,VLAD)方法中,由于每个描述子与对应的最近邻码字得到的残差值大小不一,且每个码字对应的描述子数量不确定,会存在过累积和欠累积问题。针对此问题,提出一种通过距离聚类的残差中心聚合进行图像表示的新方法。首先,提取数据库图像的局部描述子,通过聚类得到码本;然后,将局部描述子通过最近邻方法量化到码本上,并求出局部描述子与最近邻码字之间的欧式距离;再次,聚类所有距离,得到中心集合,求出每个局部描述子与最近邻码字之间的欧式距离在中心集合上的最近邻,进而求得中心集合中每个中心对应的描述子与最近邻码字之间残差的中心,并将每个码字上所有的残差中心累积求和;最后,将所有码字对应的累积向量按顺序级联后得到最后的图像表示。在Holidays和UKB数据集上的图像检索实验结果表明,提出的图像表示方法比通过直接累积残差和进行图像表示的VLAD方法效果更好。
文摘已有的深度监督哈希方法不能有效地利用提取到的卷积特征,同时,也忽视了数据对之间相似性信息分布对于哈希网络的作用,最终导致学到的哈希编码之间的区分性不足.为了解决该问题,提出了一种新颖的深度监督哈希方法,称之为深度优先局部聚合哈希(Deep Priority Local Aggregated Hashing,DPLAH).DPLAH将局部聚合描述子向量嵌入到哈希网络中,提高网络对同类数据的表达能力,并且通过在数据对之间施加不同权重,从而减少相似性信息分布倾斜对哈希网络的影响.利用Pytorch深度框架进行DPLAH实验,使用NetVLAD层对Resnet18网络模型输出的卷积特征进行聚合,将聚合得到的特征进行哈希编码学习.在CIFAR-10和NUS-WIDE数据集上的图像检索实验表明,与使用手工特征和卷积神经网络特征的非深度哈希学习算法的最好结果相比,DPLAH的平均准确率均值要高出11%,同时,DPLAH的平均准确率均值比非对称深度监督哈希方法高出2%.
