图像检索的图排序模型_2015_10_22
图像检索的图排序模型_2015_10_22
最近看了"EMR: A scalable graph-based ranking model for CBIR".在这里记述一下
图像检索中的经典模型BoW，HE，LSH等，在提取好特征，建好模型之后，在得到检索图像的candidates后，一般都基于其定义的向量（一张图被一个向量代表）间的距离来对返回的结果进行排序。
这篇文章则是在图排序模型的基础上，提出了可扩展，时空消耗小的排序模型。
基本的“manifold ranking”
以向量代表一张图像
- 基本定义与kNN图的构建
对n个m维向量\(x_{i}\).kNN图是说，如果\(x_{j}\)是距离\(x_{i}\)最近的k个中的1个。那么\(x_{j}\)和\(x_{i}\)之间有无向连接，连接的边的权值为\(w_{ij}=exp[-d^{2}(x_{i},x_{j})/2\sigma^{2}]\)
定义\(r_{i}\)为\(x_{i}\)对应的score值，\(r\)值越高，则排序越靠前。
定义\(y_{i}\)，if \(x_{i}\)是query图像的向量，则\(y_{i}\)为1，否则为0.
考虑图像的category，同query图像是同一category的\(x_{i}\)对应的\(y_{i}\)应置为1.（基本算法不包括这个） - 优化目标
3. 优化步骤
4. 缺陷与复杂度
矩阵的逆，计算复杂度很大。如果query图像不在原始的n张图片中，那么knn图需要重新构建。计算复杂度更大了
改进的“Efficient manifold ranking”
1.锚点(anchors)和它的构建
一共n个向量，我们寻找d个锚点来作为这n个向量的代表。假设每个向量都可以由锚点线性表出。
- 锚点：一般通过k-means聚类，将聚类中心作为锚点。
- 每个向量在这些锚点中的线性表出:
- 计算表出系数：
- 两种作者提出的计算方式
2.从锚点图到近邻矩阵
3.计算r值的新方式，降低了求逆的复杂度
- 计算r值
- 利用z计算D
4.out-of-sample的检索
- 对query图片，获取代表其的向量\(x\),然后将其用锚点的线性表出系数\(z_{t}\)表示。
- 降低计算量的方式
