理解图像检索重排序:图神经网络的视角

《ACM Transactions on Multimedia Computing, Communications, and Applications》:Understanding Image Retrieval Re-Ranking: A Graph Neural Network Perspective

【字体: 大 中 小 】 时间:2026年04月22日 来源:ACM Transactions on Multimedia Computing, Communications, and Applications

编辑推荐:

  重排名优化方法:将传统邻域相似度重排名分解为高质图库样本检索和邻域相似度优化两阶段,提出基于k近邻图神经网络的实时解决方案。通过消息传播机制高效更新节点特征,在Market-1501等五个数据集上实现9.4ms/sqrt(2)的加速效果,同时保持检索精度。

  
要查看此由AI生成的摘要,您必须具有高级访问权限。

摘要

摘要

作为图像检索中常用的后处理工具,重新排序通常利用高置信度的检索样本来优化初始排名列表。然而,一个主要问题仍然存在:现有的重新排序方法计算量较大,导致在实际应用中耗时过长。为了解决这一限制,我们首先回顾了当前的重新排序技术,然后提出了一种新颖的实时方法,将重新排序过程重新构建为一个高度并行的图神经网络(GNN)。具体来说,我们将传统的基于邻居的重新排序过程分为两个阶段:检索高质量的样本集和优化邻居之间的相似性。我们建议第一阶段可以通过构建k最近邻(knn)图来有效替代,而第二阶段则可以通过在该图中传播信息来实现。由于knn图是稀疏的,GNN只考虑有限数量的顶点及其连接的边,从而能够高效地更新顶点特征。我们通过在五个数据集上进行广泛的实验来验证这种方法的有效性和效率。例如,在Market-1501数据集上,我们的方法使用单个K40m GPU将重新排序过程的速度提高了9.4ms。此外,在其他四个检索基准测试(Paris-6k、Oxford-5k、VeRi-776和University-1652)上也观察到了类似的加速效果,同时保持了竞争性的性能。

AI摘要

AI生成的摘要(实验性)

该摘要是使用自动化工具生成的,并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的相关性,并帮助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要,后者仍然是文章的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要,您必须具有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号