【泡泡一分钟】用于检索的集成扩散（ICCV2017-75）（微信文章未删减版）

每天一分钟，带你读遍机器人顶级会议文章

标题：Ensemble Diffusion for Retrieval

作者：Song Bai, Zhichao Zhou, Jingdong Wang, Xiang Bai, Longin Jan Latecki, Qi Tian

来源：International Conference on Computer Vision (ICCV 2017)

播音员：格子

编译：李建禹（81）

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

作为一个后处理过程，扩散过程（fusion process）已经证明了它能够显著改善各种视觉检索系统的性能。然而由于只有一种类型的相似性度量不能完全揭示对象之间的内在关系，很多研究也致力于多种相似性的融合，这激起了对用于鲁棒检索的扩散过程的框架中考虑相似性融合的极大研究兴趣。

本文首先重新讨论了具有代表性的扩散方法，并提供了以前的研究者所忽视的新的见解。然后，本文观察到现有算法易受带有噪声的相似度的影响，提出了正则集成扩散（RED, Regularized Ensemble Diffusion）方法，它与自动权重学习范式捆绑在一起，从而抑制了带有噪声的相似性的负面影响。最后，本文将最近提出的相似性度量与本文所提出的框架结合。实验结果表明，本文方法在各种检索任务中可以达新的最优水平，包括在ModelNet数据集中的3D形状检索，以及在Holidays 和 Ukbench数据集中的图像检索。

图1 本文提出的RED方法在ModelNet10和ModelNet40数据集中与其他目前最优方法的表现对比

Abstract

As a postprocessing procedure, diffusion process has demonstrated its ability of substantially improving the performance of various visual retrieval systems. Whereas, great efforts are also devoted to similarity (or metric) fusion, seeing that only one individual type of similarity cannot fully reveal the intrinsic relationship between objects. This stimulates a great research interest of considering similarity fusion in the framework of diffusion process (i.e., fusion with diffusion) for robust retrieval.

In this paper, we firstly revisit representative methods about fusion with diffusion, and provide new insights which are ignored by previous researchers. Then, observing that existing algorithms are susceptible to noisy similarities, the proposed Regularized Ensemble Diffusion (RED) is bundled with an automatic weight learning paradigm, so that the negative impacts of noisy similarities are suppressed. At last, we integrate several recently-proposed similarities with the proposed framework. The experimental results suggest that we can achieve new state-of-the-art performances on various retrieval tasks, including 3D shape retrieval on ModelNet dataset, and image retrieval on Holidays and Ukbench dataset.

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/forums/

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！

商业合作及转载请联系liufuqiang_robot@hotmail.com