Kreuzindizierung mit Grouplets

Die meisten der derzeitigen Bildindizierungssysteme für die Abfrage betrachten eine Datenbank als eine Gruppe individueller Bilder. Dies schränkt die Flexibilität des Abfrageframeworks ein, um komplexe Analysen zwischen Bildern durchzuführen, was zu einem höheren Speicherverbrauch und suboptimaler Abraccuracy führt. Um dieses Problem zu lösen, schlagen wir eine Kreuzindizierung mit Grouplets vor, bei der die Grundidee darin besteht, die Datenbankbilder als eine Gruppe von Grouplets zu betrachten, von denen jedes als eine Gruppe von hochrelevanten Bildern definiert ist. Da ein Grouplet ähnliche Bilder zusammenfasst, ist die Anzahl der Grouplets geringer als die Anzahl der Bilder, was zu geringeren Speicherkosten führt. Darüber hinaus könnte die Definition eines Grouplets auf maßgeschneiderten Beziehungen basieren, was eine nahtlose Integration fortschrittlicher Bildmerkmale und Datenanalysetechniken wie das tiefen Faltungsneuronale Netzwerk (DCNN) in der Offline-Indizierung ermöglicht. Um das vorgeschlagene Framework zu validieren, konstruieren wir drei verschiedene Typen von Grouplets, die jeweils auf lokalem Ähnlichkeiten, regionalen Beziehungen und globalem semantischen Modellierung basieren. Umfassende Experimente an öffentlichen Benchmark-Datensätzen zeigen die Effizienz und überlegene Leistung unseres Ansatzes.