如何学习图像表示的重持有值？

Question

我实现了一个基于内容的图像检索系统，它将图像编码到VLAD码中。简单地说，一幅图像是数千维的向量，图像之间的相似性是两个相对应的维数向量之间的L2距离。在实践中，我们返回查询代码与所有数据集代码之间的顶部-k最小距离。

现在，我正在牛津大厦数据集上测试这个系统，这是一个用于测试CBIR系统的流行数据集:有55个查询图像，我们计算平均精度来评估您的方法。

给定一个查询图像，一组真正的积极信息被定义为“好”和“确定”图像之间的结合。这些集是由dataset作者手工创建的，要获得更多信息，请阅读原始论文(参见上面的链接)。

因此，假设VLAD码完备，topk[0]是数据集图像之间最相似的图像，并且它的L2距离最小。查询代码。注意到这将用于对象识别应用程序，因此给定查询图像，我们希望返回最相似的图像(而不是top-k值)，因此应该只考虑顶1距离来计算这个阈值。

我想做的是学习一个treshold值s.t。如果是topk[0]<treshold，我们可以安全地假设这是一个相关的图像。

机器学习并不是真正属于我的领域，但这正是我想要学习这个值的地方:我们计算所有图像的topk[0]平均值，其中topk[0]图像是一个真正的正数，而我们不考虑假阳性(它们会污染这个阈值vaue)。我意识到这是一个非常天真的解决方案，但没有比这更好的解决办法了。

对于我的实现，我注意到top[0]通常介于1.0*和1.3*之间，以便进行良好的匹配，而通常非常“遥远”的图像具有>1.5*。

Answer 1

总的来说，我建议研究一些其他的方法来量化图像的相似性，比如尺度不变检测，对光照变化的鲁棒性等等。如果你只想要一个L2-范数的临界值，有几种方法可以解决这个问题。什么是“最好的”很大程度上取决于你想要什么。如果你重视尽量减少假阳性，那应该是你的成本-功能，如果你重视避免假阴性，而不是你应该优化。您也可以尝试优化这两个同时，您给予两个温度在您的成本函数权重。我能想到的一种方法是：

1. 只取一半你的数据集
2. 选择一个阈值(在你期望的范围的中间)
3. 用这个阈值对你的数据进行分类，计数假阳性、假阴性、真阳性和真阴性，并评估你的质量。
4. 考虑以下情况：
   • 如果结果令人满意，现在就坚持下去。
   • 如果你有太多的假阳性，那么你的门槛就会更严格(将未被探索过的间隔切成两半)。
   • 如果你有太多的错误否定，那么你的阈值就会变得不那么严格(将未被探索过的时间间隔减半)。

​

1. 重复，直到你满意/有最佳的平衡。
2. 预测你没有得到的一半，以找到你的阈值并验证你的结果。

只有一个选择，但也许你会发现这很有帮助。