Deep Learning for Instance Retrieval: A Survey
内容主要关于：最近基于深度学习算法和技术开发的实例检索工作
- 深度网络体系结构类型、深度特征、特征嵌入和聚合方法以及网络微调策略
- 常用的基准、评估结果、共同的挑战
基于内容的图像检索方法可以分为两个不同的任务：类别级图像检索（CIR）和实例级图像检索（IIR）。
特征工程和深度学习
- Off-the-shelf模型（左）
具有模型参数，在提取检索特征时，这些参数不会进一步更新或调整。
single-pass方案：关键步骤是特征嵌入和聚合，以提高提取图像级激活的区分性
multiple-pass方案：目标是在区域尺度提取实例特征，并尽可能消除图像杂波 - Fine-tuned模型（右）
将更新模型参数，以便针对检索任务调整特征，并解决域转移问题
有监督的微调：关键步骤在于目标函数和样本采样策略的设计
无监督的微调：挖掘训练样本之间的相关性。
详见第4节和第5节。
*Effective feature use有效特征的使用
提出embedding and aggregation methods, such as RMAC, CroW, and SPoC
深度特征可以从整个图像中提取，也可以从图像块中提取，分别对应于单遍和多遍方案
标签：检索,提取,特征,论文,实例,图像,深度 From： https://www.cnblogs.com/sunqy/p/16328755.html