Context-Aware Palmprint Recognition via a Relative Similarity Metric
University of Edinburgh(爱丁堡大学);Nethermind;University of Waterloo(滑铁卢大学)
针对传统掌纹匹配度量无法捕捉数据集上下文相似性比较的问题,提出引入相对相似性度量(RSM)的方法,应用于CCNet架构后在同济数据集获0.000036%的最先进EER,提升了鲁棒性与判别力。
2025-04-15 cs.CV
Residual Embedding Similarity-Based Network Selection for Predicting Brain Network Evolution Trajectory from a Single Observation
Istanbul Technical University(伊斯坦布尔理工大学);University of Sousse(苏塞大学)
虽然现有的预测框架能够处理欧几里德结构化数据(即大脑图像),但它们可能无法推广到几何非欧几里德数据,如大脑网络。此外,这些都植根于样本选择步骤中使用欧几里得或学习向量化训练和测试大脑网络之间的相似性度量。这样的样本连接组表示可能包括可能误导训练样本选择步骤的不相关和冗余特征。毫无疑问,这未能利用和保护大脑连接体的拓扑结构。为了克服这个主要缺点,我们提出了基于残差嵌入相似性的网络选择(RESNets),用于从单个时间点预测大脑网络的进化轨迹。RESNets首先使用对抗性连接体嵌入网络学习每个训练和测试样本的紧凑几何嵌入。这很好地降低了大脑网络的高维性,同时通过图卷积网络保留了它们的拓扑特性。接下来,为了计算受试者之间的相似性,我们引入了连接大脑模板(CBT)的概念,这是一个固定的网络参考,我们进一步将每个训练和测试网络表示为嵌入空间中与参考CBT的偏差。因此,我们通过比较他们相对于预定义的CBT的学习残差嵌入,选择与基线测试对象最相似的训练对象。一旦在基线选择了最佳训练样本,我们只需在后续时间点对其相应的大脑网络进行平均,即可预测测试网络的进化轨迹。我们在健康和紊乱的大脑网络上的实验表明,与RESNets消融版本和传统方法相比,我们提出的方法是成功的。
2020-09-23 cs.CV cs.LG
GPR-OdomNet: Difference and Similarity-Driven Odometry Estimation Network for Ground Penetrating Radar-Based Localization
the Department of Computer Science(计算机科学系);Civil Aviation University of China(民航大学);Chengdu Textile College(成都纺织学院);the Department of Robotics(机器人系);Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)(马尔代夫比赞人工智能大学)
GPR-OdomNet通过分析GPR B扫描图像的相似性和差异性特征,实现了更精确的地面穿透雷达基于定位的里程计估计。
2025-11-21 cs.CV
DEFRAG: Deep Euclidean Feature Representations through Adaptation on the Grassmann Manifold
Rochester Institute of Technology(罗切斯特理工学院)
我们提出了一种训练深度网络的新技术,其目标是获得存在于欧几里得空间中并表现出强聚类行为的特征表示。我们所期望的特征表示有三个特点:它们可以使用标准的欧几里得距离度量进行比较,来自同一类的样本紧密聚类,来自不同类的样本分离良好。然而,大多数深度网络并不强制执行这样的特征表示。DEFRAG训练技术包括两个步骤:首先,通过基于Silhouette聚类度量的辅助损失函数来鼓励良好的特征聚类行为。然后将特征空间收缩到Grassmann流形上,以保证L_2范数形成相似性度量。DEFRAG技术在标准分类数据集上实现了最先进的结果,使用相对较小的网络架构,参数明显少于许多标准网络。
2018-06-20 cs.CV
Determining the Number of Clusters via Iterative Consensus Clustering
North Carolina State University(北卡罗来纳州立大学);University of North Carolina Chapel Hill(北卡罗来纳大学教堂山分校)
我们使用聚类集合来确定一组数据中的聚类数k。一致性相似性矩阵是使用多个算法和k的多个值从集合中形成的。在一致矩阵定义的图上诱导随机游动,并使用相关转移概率矩阵的特征值来确定聚类的数量。对于有噪声或高维数据,提出了一种迭代技术,以改进这种共识矩阵的方式,鼓励块对角形式。结果表明,所得到的共识矩阵一般优于现有的相似性矩阵,这种类型的光谱分析。
2014-08-05 cs.CV cs.LG stat.ML
G-image Segmentation: Similarity-preserving Fuzzy C-Means with Spatial Information Constraint in Wavelet Space
G图像是指定义在不规则图域上的图像数据。本文阐述了一种基于相似性保持的模糊C均值(FCM)算法的G图像分割方法,旨在开发G图像分割技术和工具。为了保持图像中任意像素与其邻域之间的隶属度相似性,在隶属度划分中引入Kullback-Leibler散度项作为FCM的一部分。在此基础上,提出了一种考虑图像像素空间信息的相似性保持模糊C均值算法,以增强算法的鲁棒性。由于小波空间的优越特性,建议的FCM在此空间中进行,而不是在传统的FCM中使用的欧几里德,以确保其高鲁棒性。在合成和真实G图像上的实验表明,它确实比最先进的FCM算法具有更高的鲁棒性和性能。此外,它需要的计算量比大多数方法都少。
2020-07-01 cs.CV
Combined Hyperbolic and Euclidean Soft Triple Loss Beyond the Single Space Deep Metric Learning
Center for Information Technology(信息科技中心)
本文提出结合双曲和欧几里得空间的软三元损失,通过结合代理损失和正则化损失提升深度度量学习的准确性和稳定性,在四个基准数据集上取得新进展。
2026-04-20 cs.CV
Exploring Content Based Image Retrieval for Highly Imbalanced Melanoma Data using Style Transfer, Semantic Image Segmentation and Ensemble Learning
Gujarat Technological University(古吉拉特理工大学)
病变图像经常在开放设置中拍摄。由于图像数据的多样性,卷积神经网络很难找到合适的特征并具有良好的泛化能力,因此很难建立基于内容的病变图像检索(CBIR)系统。本文探讨了这一领域,并提出了多个相似性措施,使用风格损失和骰子系数通过一个新的相似性措施称为I1-得分。在提出的CBIR相似性度量中,纯风格损失方法比传统的方法如欧氏距离和余弦相似性实现了显着的准确性提高。使用风格损失的I1分数表现优于传统方法的一个小的利润率,而,I1分数与骰子系数公平非常差。所使用的模型使用集成学习进行训练,以获得更好的泛化能力。
2021-10-12 cs.CV
Principal Component Analysis Using Structural Similarity Index for Images
University of Waterloo(滑铁卢大学)
尽管深度学习在使用图像的特定任务中取得了进展,但对图像保真度和相似性的原则性评估仍然是一项关键的能力。由于已经表明,均方误差(MSE)是不足以完成这项任务,其他措施已开发的最有效的是结构相似性指数(SSIM)。这种测量可以用于子空间学习,但是机器学习中的现有方法,例如主成分分析(PCA),是基于欧几里得距离或MSE的,因此不能正确地捕获图像的结构特征。在本文中,我们定义了一个图像结构子空间,区分不同类型的图像失真。我们提出了图像结构成分分析(ISCA),也内核ISCA使用SSIM,而不是欧氏距离,在PCA的制定。本文在图像质量评价和流形学习之间架起了一座桥梁,为未来的研究开辟了一个广阔的新领域。
2019-08-25 cs.CV cs.LG eess.IV
DeepSim: Semantic similarity metrics for learned image registration
University of Copenhagen(哥本哈根大学);Technical University of Denmark(丹麦技术大学)
我们提出了一种用于图像配准的语义相似性度量。像欧几里德距离或归一化互相关这样的现有度量集中在对齐强度值上,这给低强度对比度或噪声带来了困难。我们的语义方法学习特定于网络的特征,这些特征驱动基于学习的注册模型的优化。与跨多种图像模态和应用的现有无监督和有监督方法相比,我们实现了一致的高配准精度和比现有技术更快的收敛速度,并且学习到的对噪声的不变性在低质量图像上提供了更平滑的变换。
2020-11-11 cs.CV cs.LG
Attributable Visual Similarity Learning
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology(北京国家信息科学与技术研究中心)
本文提出了一个可归因的视觉相似性学习(AVSL)框架,更准确和可解释的图像之间的相似性度量。大多数现有的相似性学习方法通过利用距离度量将每个样本映射到嵌入空间中的单个点(例如,马氏距离(Mahalanobis distance)。受人类语义相似性认知的启发,我们提出了一种广义的相似性学习范式,用图来表示两幅图像之间的相似性,然后据此推断整体相似性。此外,我们建立了一个自底向上的相似性构造和自顶向下的相似性推理框架,以推断基于语义层次一致性的相似性。我们首先确定不可靠的较高级别的相似性节点,然后使用最连贯的相邻的较低级别的相似性节点,同时保留痕迹的相似性属性,以纠正它们。在CUB-200-2011、Cars 196和Stanford Online Products数据集上进行的大量实验表明,与现有的深度相似性学习方法相比,我们的框架有了显著的改进,并验证了我们框架的可解释性。代码可在https://github.com/zbr17/AVSL上获得。
2022-03-28 cs.CV cs.LG
Optimization of Structural Similarity in Mathematical Imaging
University of Waterloo(滑铁卢大学);SKEMA Business School(SKEMA商学院)
现在普遍接受的是,基于欧几里德的度量可能并不总是充分代表人类观察者的主观判断。因此,许多图像处理方法最近已经扩展到利用替代的视觉质量测量,其中最突出的是结构相似性指数测量(SSIM)。后者的优越性超过基于欧几里德的度量已被证明在几项研究。然而,这些研究的结果往往缺乏一般性,如果否则承认,可以提供一个有用的指导,为进一步发展的SSIM为基础的图像处理算法。因此,而不是专注于一个特定的图像处理任务,在本文中,我们介绍了一个通用的框架,包括广泛的成像应用中,SSIM可以被用作保真度的措施。随后,我们将展示如何使用该框架来将一些标准以及原始成像任务转换为最优化问题,然后讨论一些新的数值策略来解决这些问题。
2020-02-07 cs.CV cs.NA eess.IV
Semantic similarity metrics for learned image registration
University of Copenhagen(哥本哈根大学);Technical University of Denmark(丹麦技术大学)
我们提出了一种用于图像配准的语义相似性度量。像欧几里德距离或归一化互相关这样的现有度量专注于对齐强度值,这给低强度对比度或噪声带来了困难。我们的方法学习了特定于网络的功能,这些功能可以驱动基于学习的注册模型的优化。我们训练使用自动编码器的无监督方法和使用补充分割数据的半监督方法来提取用于图像配准的语义特征。与现有的方法相比,在多个图像模态和应用程序,我们实现了一致的高配准精度。学习到的对噪声的不变性在低质量图像上提供了更平滑的变换。
2021-04-20 cs.CV cs.LG
Image quality assessment for determining efficacy and limitations of Super-Resolution Convolutional Neural Network (SRCNN)
Space and Naval Warfare Systems Center Pacific(太平洋空间与海战系统中心)
用于评估图像处理技术的功效的传统度量不适合于理解现代图像处理方法的能力和限制-特别是由深度学习实现的那些。当在工程解决方案中应用图像处理时,科学家或工程师需要用清晰的指标来证明他们的设计决策。通过对图像处理前后的图像应用盲/无参考图像空间质量(BRISQUE)、结构相似性(SSIM)指数得分和峰值信噪比(PSNR),我们可以以有意义的方式量化质量改进,并确定给定方法的最低可恢复图像质量。
2019-05-14 cs.CV eess.IV