Revisiting Oxford and Paris: Large-Scale Image Retrieval Benchmarking
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F18%3A00325470" target="_blank" >RIV/68407700:21230/18:00325470 - isvavai.cz</a>
Výsledek na webu
<a href="http://cmp.felk.cvut.cz/~radenfil/publications/Radenovic-CVPR18.pdf" target="_blank" >http://cmp.felk.cvut.cz/~radenfil/publications/Radenovic-CVPR18.pdf</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/CVPR.2018.00598" target="_blank" >10.1109/CVPR.2018.00598</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Revisiting Oxford and Paris: Large-Scale Image Retrieval Benchmarking
Popis výsledku v původním jazyce
In this paper we address issues with image retrieval benchmarking on standard and popular Oxford 5k and Paris 6k datasets. In particular, annotation errors, the size of the dataset, and the level of challenge are addressed: new annotation for both datasets is created with an extra attention to the reliability of the ground truth. Three new protocols of varying difficulty are introduced. The protocols allow fair comparison between different methods, including those using a dataset pre-processing stage. For each dataset, 15 new challenging queries are introduced. Finally, a new set of 1M hard, semi automatically cleaned distractors is selected. An extensive comparison of the state-of-the-art methods is performed on the new benchmark. Different types of methods are evaluated, ranging from local-feature-based to modern CNN based methods. The best results are achieved by taking the best of the two worlds. Most importantly, image retrieval appears far from being solved.
Název v anglickém jazyce
Revisiting Oxford and Paris: Large-Scale Image Retrieval Benchmarking
Popis výsledku anglicky
In this paper we address issues with image retrieval benchmarking on standard and popular Oxford 5k and Paris 6k datasets. In particular, annotation errors, the size of the dataset, and the level of challenge are addressed: new annotation for both datasets is created with an extra attention to the reliability of the ground truth. Three new protocols of varying difficulty are introduced. The protocols allow fair comparison between different methods, including those using a dataset pre-processing stage. For each dataset, 15 new challenging queries are introduced. Finally, a new set of 1M hard, semi automatically cleaned distractors is selected. An extensive comparison of the state-of-the-art methods is performed on the new benchmark. Different types of methods are evaluated, ranging from local-feature-based to modern CNN based methods. The best results are achieved by taking the best of the two worlds. Most importantly, image retrieval appears far from being solved.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/LL1303" target="_blank" >LL1303: Vyhledávání vizuálních kategorií ve velkém množství obrázků</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
CVPR 2018: Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition
ISBN
978-1-5386-6420-9
ISSN
1063-6919
e-ISSN
2575-7075
Počet stran výsledku
10
Strana od-do
5706-5715
Název nakladatele
IEEE
Místo vydání
Piscataway, NJ
Místo konání akce
Salt Lake City
Datum konání akce
19. 6. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000457843605089