Resumen

La recuperación de alta precisión es uno de los problemas complejos en la visión por computadora. En comparación con la recuperación de imágenes basada en contenido general, la recuperación de imágenes de alta precisión enfrenta desafíos más difíciles. En las tareas de recuperación de imágenes de alta precisión, todas las clases pertenecen a una subclase de una metacategoría, por lo que habrá una pequeña variabilidad entre clases y una gran variabilidad dentro de las clases. Para resolver este problema, en este documento proponemos un método de recuperación de alta precisión para mejorar la pérdida y la agregación de características, lo que puede lograr mejores resultados de recuperación bajo un marco unificado. En primer lugar, proponemos una nueva pérdida de distribución adaptativa de múltiples proxies que puede caracterizar mejor las variaciones dentro de las clases y el grado de dispersión de cada centro de cluster. En segundo lugar, proponemos un método de agregación de características débilmente supervisado basado en ponderación de canales, que distingue la importancia de diferentes canales de características para obtener descriptores de características

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Recuperación de granularidad fina; Recuperación de imágenes; Subclase; Varianza intraclase; Agregación de características; Conjuntos de datos de referencia
• Keywords:Fine-grained retrieval; Image retrieval; Subclass; Intraclass variance; Feature aggregation; Benchmark datasets