Weakly Supervised Multi-Graph Learning for Robust Image Reranking
Weakly Supervised Multi-Graph Learning for Robust Image Reranking
复制标题
用于鲁棒图像重排序的弱监督多图学习
DOI：
10.1109/tmm.2014.2298841
复制
发表时间：
2014-04
影响因子：
7.3
通讯作者：
Li Xuelong
中科院分区：
文献类型：
--
作者：
Deng Cheng;Ji Rongrong;Tao Dacheng;Gao Xinbo;Li Xuelong
视觉重排序已经被广泛应用于改进传统的基于文本的图像检索。目前的趋势是将各种视觉特征的检索结果进行联合收割机组合，以提高重排序的精度和可扩展性。如何有效地利用不同特征之间的互补性是其面临的突出挑战。另一个重要的问题来自于嘈杂的实例，来自于手动或自动标签，这使得对这种互补性质的探索变得困难。本文提出了一种新的图像重排序方法，引入了一种新的协同正则化多图学习（Co-RMGL）框架，在该框架中，集成了图内和图间约束，同时对单个图中的相似性和多个图之间的一致性进行编码。为了处理噪声实例，利用基于同现视觉属性的弱监督学习选择一组图锚点来指导多个图的对齐和融合，并过滤掉伪标记实例以突出单个特征的强度。在此基础上，利用融合图中学习得到的边权重矩阵对检索结果进行排序。我们评估了我们的方法在四个流行的图像检索数据集，并证明了显着的改进，比国家的最先进的方法。
Visual reranking has been widely deployed to refine the traditional text-based image retrieval. Its current trend is to combine the retrieval results from various visual features to boost reranking precision and scalability. And its prominent challenge is how to effectively exploit the complementary property of different features. Another significant issue raises from the noisy instances, from manual or automatic labels, which makes the exploration of such complementary property difficult. This paper proposes a novel image reranking by introducing a new Co-Regularized Multi- Graph Learning (Co-RMGL) framework, in which intra-graph and inter-graph constraints are integrated to simultaneously encode the similarity in a single graph and the consistency across multiple graphs. To deal with the noisy instances, weakly supervised learning via co-occurred visual attribute is utilized to select a set of graph anchors to guide multiple graphs alignment and fusion, and to filter out those pseudo labeling instances to highlight the strength of individual features. After that, a learned edge weighting matrix from a fused graph is used to reorder the retrieval results. We evaluate our approach on four popular image retrieval datasets and demonstrate a significant improvement over state-of-the-art methods.
登录
查看更多内容
DOI：
10.1109/cvpr.2011.5995451
发表时间：
2011-06
期刊：
CVPR 2011
影响因子：
--
作者：
Devi Parikh;K. Grauman
通讯作者：
Devi Parikh;K. Grauman
DOI：
--
发表时间：
--
期刊：
--
影响因子：
--
作者：
Neeraj Kumar;A. Berg;P. Belhumeur;S. Nayar
通讯作者：
Neeraj Kumar;A. Berg;P. Belhumeur;S. Nayar
DOI：
10.1109/cvpr.2009.5206594
发表时间：
2009-06
期刊：
2009 IEEE Conference on Computer Vision and Pattern Recognition
影响因子：
--
作者：
Christoph H. Lampert;H. Nickisch;S. Harmeling
通讯作者：
Christoph H. Lampert;H. Nickisch;S. Harmeling
DOI：
10.1007/978-3-642-15558-1_1
发表时间：
2010-09
期刊：
--
影响因子：
--
作者：
Andrej Mikulík;Michal Perdoch;Ondřej Chum;Jiri Matas
通讯作者：
Andrej Mikulík;Michal Perdoch;Ondřej Chum;Jiri Matas
DOI：
10.1109/cvpr.2011.5995315
发表时间：
2011-06
期刊：
CVPR 2011
影响因子：
--
作者：
W. Liu;Yu-Gang Jiang;Jiebo Luo;Shih-Fu Chang
通讯作者：
W. Liu;Yu-Gang Jiang;Jiebo Luo;Shih-Fu Chang