Fast Spectral Ranking for Similarity Search

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F18%3A00327174" target="_blank" >RIV/68407700:21230/18:00327174 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/8578894" target="_blank" >https://ieeexplore.ieee.org/document/8578894</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CVPR.2018.00796" target="_blank" >10.1109/CVPR.2018.00796</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Fast Spectral Ranking for Similarity Search

Popis výsledku v původním jazyce

Despite the success of deep learning on representing images for particular object retrieval, recent studies show that the learned representations still lie on manifolds in a high dimensional space. This makes the Euclidean nearest neighbor search biased for this task. Exploring the manifolds online remains expensive even if a nearest neighbor graph has been computed offline. This work introduces an explicit embedding reducing manifold search to Euclidean search followed by dot product similarity search. This is equivalent to linear graph filtering of a sparse signal in the frequency domain. To speed up online search, we compute an approximate Fourier basis of the graph offline. We improve the state of art on particular object retrieval datasets including the challenging Instre dataset containing small objects. At a scale of 105 images, the offl

Název v anglickém jazyce

Fast Spectral Ranking for Similarity Search

Popis výsledku anglicky

Despite the success of deep learning on representing images for particular object retrieval, recent studies show that the learned representations still lie on manifolds in a high dimensional space. This makes the Euclidean nearest neighbor search biased for this task. Exploring the manifolds online remains expensive even if a nearest neighbor graph has been computed offline. This work introduces an explicit embedding reducing manifold search to Euclidean search followed by dot product similarity search. This is equivalent to linear graph filtering of a sparse signal in the frequency domain. To speed up online search, we compute an approximate Fourier basis of the graph offline. We improve the state of art on particular object retrieval datasets including the challenging Instre dataset containing small objects. At a scale of 105 images, the offl

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)

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)

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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

7632-7641

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

000457843607081