Hybrid Diffusion: Spectral-Temporal Graph Filtering for Manifold Ranking

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00327178" target="_blank" >RIV/68407700:21230/19:00327178 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-20890-5_20" target="_blank" >http://dx.doi.org/10.1007/978-3-030-20890-5_20</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-20890-5_20" target="_blank" >10.1007/978-3-030-20890-5_20</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Hybrid Diffusion: Spectral-Temporal Graph Filtering for Manifold Ranking

Popis výsledku v původním jazyce

State of the art image retrieval performance is achieved with CNN features and manifold ranking using a k-NN similarity graph that is pre-computed off-line. The two most successful existing approaches are temporal filtering, where manifold ranking amounts to solving a sparse linear system online, and spectral filtering, where eigen-decomposition of the adjacency matrix is performed off-line and then manifold ranking amounts to dot-product search online. The former suffers from expensive queries and the latter from significant space overhead. Here we introduce a novel, theoretically well-founded hybrid filtering approach allowing full control of the space-time trade-off between these two extremes. Experimentally, we verify that our hybrid method delivers results on par with the state of the art, with lower memory demands compared to spectral filtering approaches and faster compared to temporal filtering.

Název v anglickém jazyce

Hybrid Diffusion: Spectral-Temporal Graph Filtering for Manifold Ranking

Popis výsledku anglicky

State of the art image retrieval performance is achieved with CNN features and manifold ranking using a k-NN similarity graph that is pre-computed off-line. The two most successful existing approaches are temporal filtering, where manifold ranking amounts to solving a sparse linear system online, and spectral filtering, where eigen-decomposition of the adjacency matrix is performed off-line and then manifold ranking amounts to dot-product search online. The former suffers from expensive queries and the latter from significant space overhead. Here we introduce a novel, theoretically well-founded hybrid filtering approach allowing full control of the space-time trade-off between these two extremes. Experimentally, we verify that our hybrid method delivers results on par with the state of the art, with lower memory demands compared to spectral filtering approaches and faster compared to temporal filtering.

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

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

ACCV 2018: Proceedings of the 14th Asian Conference on Computer Vision, Part II

ISBN

978-3-030-20889-9

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

16

Strana od-do

301-316

Název nakladatele

Springer

Místo vydání

—

Místo konání akce

Perth

Datum konání akce

4. 12. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000492902300020