本次学术报告主要介绍了自己提出的一种草图图像检索算法。
近年来随着深度学习在计算机视觉领域多个任务下取得了巨大成功，基于深度学习的草图图像检索算法研究也随之开展。深度学习是数据驱动的模型，在传统的基于图像的计算机视觉算法中，由于有大量的图像数据可以用来训练，因此取得了很好的效果。在基于草图的图像检索中，由于草图图像的缺乏，导致基于深度学习的训练方法不能学习到有效的草图特征的表达。因此，提出了针对草图图像数据缺乏的跨域模型初始化方法，采取更加有效的图像轮廓进行训练弥补草图训练数据缺乏的问题。
首先，使用ImageNet预训练好的模型进行网络初始化。然后，使用GB 轮廓提取算法对图像数据进行轮廓提取，GB轮廓图可以去除冗余的内部线条，获取更加有效的图像形状轮廓的表达。接下来使用提取好的GB轮廓图对网络进行微调来是网络适应草图域的输入。最后，检索过程是KNN匹配的过程，使用输入的草图提取特征，和图像特征进行匹配排序，获取检索结果。实验结果表明，算法达到了目前最优算法的水平。 |