6种常见的地标识别算法整理和总结 (2)

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。