【泡泡一分压缩量化——一种在视频中实现快速物体搜索方法(ICCV2017-70)

每天一分钟，带你读遍机器人顶级会议文章

标题：Compressive Quantization for Fast Object Instance Search in Videos

作者：Tan Yu, Zhenzhen Wang andJunsong Yuan

来源：International Conference on Computer Vision (ICCV 2017)

播音员：格子

编译：林旭滨 周平（76）

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

        现有的视觉搜索系统大多关注于图像到图像（点到点）的搜索， 例如图像和物体检索，而较少利用到图像到视频（点到集）的搜索算法。而在本文所关注的视频中实现物体失落搜索中，如何实现高效的点到集式的搜索却非常重要。通过共同优化矢量量化和哈希算法， 我们提出一种压缩量化方法，该方法将每个视频里提取出的M个候选物体（object proposals）压缩成k个二进制编码，其中k<<M。随后利用查询项的二进制编码与视频匹配项的二进制编码的Hamming距离，确定查询物体和整个视频的的相似度。其整体框图如下所示：

给定一个m帧的视频，我们从每一帧里提取t个候选物体，利用所提的压缩量化方法将这m x t个候选物体压缩成k个二进制编码描述。从而实现更快速有效的物体搜索

        我们的压缩量化方法不仅能够实现快速的搜索，并且能有效降低存储视频特征的内存大小。尽管拥有较高的压缩率，我们所提的压缩量化法还是能够有效地在一个大的视频数据集中实现小物体的检索。我们的方法在三个数据集上进行系统性的实现，这充分验证了我们的方法的有效性和效率。

Abstract    

Most of current visual search systems focus on imageto-image (point-to-point) search such as image and object retrieval. Nevertheless, fast image-to-video (point-to-set) search is much less exploited. This paper tackles object instance search in videos, where efficient point-to-set matching is essential. Through jointly optimizing vector quantization and hashing, we propose compressive quantization method to compress M object proposals extracted from
each video into only k binary codes, where k << M. Then the similarity between the query object and the whole video can be determined by the Hamming distance between the query’s binary code and the video’s best-matched binary code. Our compressive quantization not only enables fast search but also significantly reduces the memory cost of storing the video features. Despite the high compression ratio, our proposed compressive quantization still can effectively retrieve small objects in large video datasets. Systematic experiments on three benchmark datasets verify the effectiveness and efficiency of our compressive quantization

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/forums/

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！

商业合作及转载请联系liufuqiang_robot@hotmail.com