view in publisher's site

Fine-Grained Image Retrieval via Piecewise Cross Entropy loss

Highlights•Fine-Grained Image Retrieval is an important problem in computer vision.•In this paper, PCE loss is proposed for Fine-Grained Image Retrieval.•Due to the proposed loss, our model obtains SOTA performances on two benchmarks.AbstractFine-Grained Image Retrieval is an important problem in computer vision. It is more challenging than the task of content-based image retrieval because it has small diversity within the different classes but large diversity in the same class. Recently, the cross entropy loss can be utilized to make Convolutional Neural Network (CNN) generate distinguish feature for Fine-Grained Image Retrieval, and it can obtain further improvement with some extra operations, such as Normalize-Scale layer. In this paper, we propose a variant of the cross entropy loss, named Piecewise Cross Entropy loss function, for enhancing model generalization and promoting the retrieval performance. Besides, the Piecewise Cross Entropy loss is easy to implement. We evaluate the performance of the proposed scheme on two standard fine-grained retrieval benchmarks, and obtain significant improvements over the state-of-the-art, with 11.8% and 3.3% over the previous work on CARS196 and CUB-200-2011, respectively.

بازیابی تصویر خوب از طریق از دست دادن آنتروپی تقاطع پیکریشنال

نکات برجسته * بازیابی تصویر با کیفیت خوب یک مشکل مهم در دید کامپیوتری است. در این مقاله، اتلاف PCE برای بازیابی تصویر با کیفیت ارائه شده‌است. با توجه به زیان پیشنهادی، مدل ما عملکردهای SOTA را در دو الگوبردار به دست می‌آورد. این امر چالش برانگیزتر از وظیفه بازیابی تصویر مبتنی بر محتوا است زیرا تنوع کمی در کلاس‌های مختلف اما تنوع زیادی در یک کلاس دارد. اخیرا، اتلاف آنتروپی عرضی را می توان برای ایجاد شبکه عصبی کانولوشن (سی ان ان)به کار برد تا ویژگی متمایز را برای بازیابی تصویر با دقت بالا ایجاد کند، و می‌تواند بهبود بیشتری را با برخی از عملیات اضافی، مانند لایه نرمالایز - مقیاس به دست آورد. در این مقاله، ما یک نوع از اتلاف آنتروپی عرضی، به نام تابع اتلاف آنتروپی متقاطع پیکنایز، را برای افزایش تعمیم مدل و ارتقای عملکرد بازیابی پیشنهاد می‌کنیم. علاوه بر این، از دست دادن آنتروپی تقاطع پیکسی به راحتی قابل پیاده‌سازی است. ما عملکرد طرح پیشنهادی را بر روی دو معیار بازیابی ریز دانه استاندارد مورد ارزیابی قرار می‌دهیم و پیشرفت‌های قابل‌توجهی را بر روی وضعیت موجود، به ترتیب با ۱۱.۸ % و ۳.۳ % نسبت به کار قبلی در CARS۱۹۶ و CUB - ۲۰۰ - ۲۰۱۱، به دست می‌آوریم.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Computer Vision and Pattern Recognition
  • ترجمه مقاله Computer Vision and Pattern Recognition
  • مقاله بینایی کامپیوتری و تشخیص الگو
  • ترجمه مقاله بینایی کامپیوتری و تشخیص الگو
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.