本文探讨了多种视觉搜索再排序（rerank）方法，包括使用点击数据、图像分类、SVM、BoW模型、稀疏性和排名约束以及语义签名。这些方法通过结合文本和视觉特征，改进了图像检索的准确性和效率，如使用PCA、Gaussian Process Regression、决策树、图模型和Rank SVM等技术。
1. Learning to Re-Rank:Query-Dependent Image Re-Ranking Using Click Data
文章收集部分以往的点击次数，然后组合Query-independent static features、Textual features和Imagefeatures组成新的特征，使用PCA进行降维，再使用Gaussian Process Regression 进行点击数预测，最后使用textual和visual feature 和初始排名进行加权组合相加，得到新的rank
2. Real Time Google and LiveImage Search Re-ranking
选择一张图片，然后把图片归结到提前定义的一些类中，如General Object、Object with Simple Background、Scene and so on，然后在每一类中使用一系列的特称，使用决策树进行分类，，然后根据类别给各个分类器学一个权重，最后组合相加得到最后的rank.
3. Asymmetric Bagging andRandom Subspace for Support Vector Machines-Based Relevance Feedback in ImageRetrieval
文章的主要思想在于使用SVM对标注信息进行分类，提出了ABSVM和ABRS-SVM分别解决了样本过少，正负样本不均匀及特征维度过高，导致过拟合的问题，06年的PAMI文章。
4. Visual Rerank withimp
扫一扫
2892
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
