图像检索的图排序模型_2015_10_22

图像检索的图排序模型_2015_10_22

最近看了"EMR: A scalable graph-based ranking model for CBIR".在这里记述一下
图像检索中的经典模型BoW，HE，LSH等，在提取好特征，建好模型之后，在得到检索图像的candidates后，一般都基于其定义的向量（一张图被一个向量代表）间的距离来对返回的结果进行排序。
这篇文章则是在图排序模型的基础上，提出了可扩展，时空消耗小的排序模型。

基本的“manifold ranking”

以向量代表一张图像

1. 基本定义与kNN图的构建
   对n个m维向量(x_{i}).kNN图是说，如果(x_{j})是距离(x_{i})最近的k个中的1个。那么(x_{j})和(x_{i})之间有无向连接，连接的边的权值为(w_{ij}=exp[-d^{2}(x_{i},x_{j})/2sigma^{2}])
   定义(r_{i})为(x_{i})对应的score值，(r)值越高，则排序越靠前。
   定义(y_{i})，if (x_{i})是query图像的向量，则(y_{i})为1，否则为0.
   考虑图像的category，同query图像是同一category的(x_{i})对应的(y_{i})应置为1.（基本算法不包括这个）
2. 优化目标
   

3. 优化步骤

4. 缺陷与复杂度
矩阵的逆，计算复杂度很大。如果query图像不在原始的n张图片中，那么knn图需要重新构建。计算复杂度更大了

改进的“Efficient manifold ranking”

1.锚点(anchors)和它的构建
一共n个向量，我们寻找d个锚点来作为这n个向量的代表。假设每个向量都可以由锚点线性表出。

• 锚点：一般通过k-means聚类，将聚类中心作为锚点。
• 每个向量在这些锚点中的线性表出:
  


• 计算表出系数：
  


• 两种作者提出的计算方式
  



2.从锚点图到近邻矩阵


3.计算r值的新方式，降低了求逆的复杂度

• 计算r值
  


• 利用z计算D
  


4.out-of-sample的检索

• 对query图片，获取代表其的向量(x),然后将其用锚点的线性表出系数(z_{t})表示。
  


• 降低计算量的方式