- 1tp5 fastadmin 小程序登录后端 php
- 2SQLserver C#将图片以二进制方式存储到数据库，再从数据库读出图片
- 3免费的爬虫软件【2024最新】
- 4Python 调用 C++ 动态库 几种常用使用方法_python调用c++动态库
- 5⭐ Unity + ARKIT ARFace脸部追踪
- 6VS2019安装配置QT插件（qt-vsaddin）_qt vs 插件
- 7STM32F7QSPI学习笔记——读写N25Q128
- 8ue4 关于创建动态结构体的一点思考_ue4 struct
- 9第五部分 安装Cassandra1.0.x的单实例模式_cassandra 单实例
- 10ARM Trusted Firmware分析——编译选项_arm trust firmware编译fip
【零样本草图检索】Generalising Fine-Grained Sketch-Based Image Retrieval
赞
踩
Abstract
虽然细粒度草图检索获得令人满意的结果，但需要实例级别的sketch/image pair标注信息，而且学习到的特征空间是domain-specific的，不能很好的推广到unseen classes。本文将 generalisation for FG-SBIR 看作 domain generalisation 问题。提出用无监督学习的方法来建模通用的sketch视觉特性字典，然后可以使用它来学习sketch/image特征。unseen classes的domain adaption问题可以通过先将sketch用通用字典表示，然后更新这个embedding来解决。
Motivation
现有的FG-SBIR方法的泛化能力不好，主要是domain-shift问题。例如，在car上训练的模型，对于bicycle的性能就不好，因为缺少车把和座垫的“经验”。对于这些out-of-sample数据，基于triplet loss训练的网络可能不会再达到sketch/image pair距离近，反之距离远的效果。有两种缓解domain-shift的方法： Unsupervised domain adaptation（用unlabelled unseen classes来调整模型使得更适应unseen classes）； domain generalisation（训练一个足够健壮的模型能够立即泛化到target domain data）。
为了解决cross-category FG-SBIR generalisation (CC-FG-SBIR)问题，提出一种新的框架，可以根据给定的查询sketch自动调整特征提取器。这确保了在测试时能够产生好的特征表示，即使是在处理来自unseen classes的sketch/i
