6种常见的地标识别算法整理与总结（图像/视觉）

本文分享自华为云社区《地标识别算法》，原文作者：阿杜 。

地标识别，基于 深度学习 及大规模图像训练，支持上千种物体识别及场景识别，广泛应用于拍照识图、幼教科普、图片分类等场景。本文将为大家带来6种关于地标识的算法。

一、《1st Place Solution to Google Landmark Retrieval 2020》

算法思路：

Step1：使用清洗过的GLDv2数据集训练初始embedding模型。

   Step2：使用全量GLDv2数据基于Step1得到的模型进行迁移学习。
Step3：逐步扩大训练图片的尺度（512*512，640*640，736*736），模型性能得到进一步提升。

   Step4：增加清洗后的数据的训练loss权重，进一步训练模型。

   Step5：模型融合。

Notes：

1、Backbone模型为Efficientnet+ global   average pooling，训练使用了cosine softmax loss。

   2、为了处理类别不均衡问题，使用了weighted cross entropy。

经验总结：

1、清洗后的数据有利于模型快速收敛。

   2、全量大数据集有利于模型学习到更好的特征表示。

   3、增加训练分辨率能提升模型性能。

二、《3rd Place Solution to “Google Landmark Retrieval 2020》

算法思路：

Step1：使用CGLDv2训练基础模型用于提取GLDv2全量图片特征，使用DBSCAN聚类方法更新图像类别，进行数据清洗。

   Step2：使用了Corner-Cutmix的图像增广方法，进行模型训练。
Notes：

   1、backbone为ResNest200和ResNet152，GAP池化，1*1卷积降维到512维，损失函数为cross entropy loss。

三、《Two-stage Discriminative Re-ranking for Large-scale Landmark Retrieval》

算法思路：

Step1：使用 CNN 特征进行KNN搜索，获取相似图片。

   Step2：插入Step1遗漏的图片进行重新排序。

Notes：

1、Backbone模型为ResNet-101+Generalized Mean (GeM)-pooling，训练loss为ArcFace loss。

   2、使用全局特征+局部特征对GLd-v2数据集进行清洗，用于后续模型训练。

四、《2nd Place and 2nd Place Solution to Kaggle Landmark Recognition and Retrieval Competition 2019》

算法思路：

1、使用GLD-v2全量数据分别训练Resnet152、ResNet200等模型，训练loss为ArcFace loss、Npairs loss，拼接各个backbone的特征，使用PCA降到512维，作为图像的全局特征。

   2、使用全局特征进行KNN搜索，对搜索结果使用SURF、Hassian-Affine 和root sift局部特征进行再排序，并且使用了DBA和AQE。

五、《Detect-to-Retrieve: Efficient Regional Aggregation for Image   Search》

算法思路：

Step1：使用GLD的带bbox数据集，训练Faster-RCNN或SSD检测模型，用于地标框的提取。

   Step2：提出了D2R-R-ASMK方法，用于检测框内的局部特征提取与特征聚合。

Step3：使用聚合后特征在database中进行搜索。

Notes：

1、D2R-R-ASMK基于DELF局部特征抽取和ASMK特征聚合方法实现。

2、每张图片提取4.05个region的时候效果最好，search的内存占用会有相应增加。

六、《Unifying Deep Local and Global Features for Image Search》

算法思路：

Step1：统一在同一个网络中提取全局和局部特征

   Step2：使用全局特征搜索top100的相似图片

Step3：使用局部特征对搜索结果进行重排序

Notes：

1、全局特征使用GeM池化和ArcFace loss。

2、局部特征匹配使用Ransac方法。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删