四個月前，谷歌在Kaggle發(fā)布了一項地標檢索挑戰(zhàn)賽，在這場比賽中，參賽者會得到一些圖像，他們需要在所有圖像數(shù)據(jù)集中找到含有給定圖像中地標的圖片。

圖像檢索是計算機視覺領(lǐng)域的基礎(chǔ)問題，對于包含地標的圖像更是非常重要，因為這是用戶拍攝的熱門對象。本次挑戰(zhàn)賽的數(shù)據(jù)集是世界最大的圖像檢索數(shù)據(jù)集，其中有超過一百萬張圖像，覆蓋了全球1.5萬個不同景點。

同時，這項挑戰(zhàn)賽也是CVPR 2018的地標辨認研討會的一部分。下面就是本次競賽排名第一的解決方案，參賽隊伍是由anokas帶領(lǐng)的團隊，論智對其進行了編譯。

解決方案包括兩個主要元素：

首先，創(chuàng)建一個高性能的全局描述符（global descriptor），它可以將數(shù)據(jù)庫中的圖像用奇異向量表示；

然后，創(chuàng)建一個高效的框架，能將這些向量和最可能的圖片聯(lián)系起來，最后提交到積分榜上。

下面是總體框架的流程圖，其中每一步應用后都有對應的LB分數(shù)。

注：下文中所有分數(shù)都以百分數(shù)表示，即62.5%=0.625

方案詳細講解

全局描述符（Global Descriptors）

我們的方案中最主要的部分就是幾個全局描述符，這些向量描述了圖片的全部內(nèi)容。我們從兩個預訓練的CNN模型開始（ResNet和ResNeXt），并用四種目前最先進的集結(jié)方法（aggregation methods）生成全局描述符。下面是四種集結(jié)方法各自的細節(jié)以及它們“原始”的表現(xiàn)性能（也就是沒有進行檢索詞擴展和數(shù)據(jù)庫擴展）：

基于區(qū)域熵的多層抽象池化（REMAP）[42.8% mAP]：我們之前設(shè)計的一個全局描述符聚合了不同CNN層的深度特征，之后經(jīng)過訓練可以表示多個水平的可視化抽象對象。我們將在之后的CVPR研討會上進一步展示REMAP的細節(jié)架構(gòu)。

最大卷積激活值（MAC）[32.9% mAP]：MAC描述符將每個CNN的最后一層卷積過濾的最大局部回應進行編碼。在它的架構(gòu)中，ResNeXt的最后一個卷積層后面有一個最大池化層、L2-正則化層和PCA+白化層。

卷積的池化和（SPoC）[31.7% mAP]：在SPoC這一過程中，ResNeXt的最后一個卷積層后接池化和層、L2-正則化層和PCA+白化層。

卷積的區(qū)域最大激活值（RMAC）[34.7% mAP]：在RMAC中，ResNeXt最后的卷積特征是在多個規(guī)模重疊區(qū)域中進行的最大池化。這些區(qū)域同樣是基于有L2-正則化層和PCA+白化層的描述符。最后把所有描述符匯總到一個單一的描述符中。

基礎(chǔ)的CNN網(wǎng)絡(luò)（ResNet和ResNeXt）是在ImageNet上進行的訓練，之后再一個地標數(shù)據(jù)集的子集中進行調(diào)整。該子集來自Babenko等人的研究成果，其中包括大約12萬張圖片和650個著名景點。

這一數(shù)據(jù)集中的圖像最初是在圖片搜索引擎中用文字搜到的，沒有經(jīng)過檢驗，所以其中可能含有很多不相關(guān)的圖片，這需要我們過濾掉。刪除圖片的過程是半自動的，利用帶有密集SIFT特征的Hessian-affine檢測器以及RVD-W描述符進行聚合。處理完圖像后，還剩下25000張左右的圖片，都屬于一種地標，我們想用它對模型進行調(diào)整。

我們沒有用其他類似競賽中的數(shù)據(jù)集作為訓練數(shù)據(jù)，因為我們想看看在新的數(shù)據(jù)集下，我們的方案生成的效果如何。

合并描述符

通過用上述方法訓練的六個全局描述符合并，就得到了最終的全局描述符（括號中的是LB分數(shù)）：

ResNeXt+REMAP（42.8%）

ResNeXt+RMAC（34.7%）

ResNeXt+MAC（32.9%）

ResNeXt+SPoC（31.7%）

ResNet+REMAP（35.8%）

ResNet+MAC（30.4%）

接著我們將每個描述符縮放到固定的L2 norm上，為每個描述符分配權(quán)重，按以下方式連接描述符：

XG = [2× ResNeXt+REMAP; 1.5× ResNeXt+RMAC; 1.5× ResNeXt+MAC; 1.5× ResNeXt+SPoC; ResNet+MAC; ResNet+REMAP]

權(quán)重的選擇是點對點的，以反映每種方法相應的性能。之后，我們用PCA將描述符的維度降到4K，同時應用白化，讓所有維度的方差相同。雖然PCA和白化只能改善一小部分，但是它將查詢擴展的結(jié)果提升了幾個百分點。

最近鄰搜索

創(chuàng)建好描述符后，每張圖片都由一個4096維的描述符表示。接下來，我們用復雜的k-最近鄰搜索找到每張圖前2500個近鄰和L2距離。這一階段提交每張圖片的前100個最近鄰得到了47.2%的分數(shù)。

這一步驟使用優(yōu)化過的NumPy代碼實現(xiàn)，用了2小時對每個1.2M的圖片找出了前2500個最近鄰。

數(shù)據(jù)庫增強

接下來要做的是數(shù)據(jù)庫增強（DBA），即把數(shù)據(jù)庫中每張圖片的描述符換成它本身和前10個最近鄰的加權(quán)結(jié)合。目的就是利用它們近鄰的特征提高圖像表示的質(zhì)量。更準確的是，我們進行描述符的加權(quán)求和，其中權(quán)重按以下代碼計算：

weights = logspace(0, -1.5, 10)

有趣的是，在其他數(shù)據(jù)集上我們發(fā)現(xiàn)只要用大于兩個近鄰進行增強就會讓分數(shù)下降，但10個近鄰對數(shù)據(jù)集增強和圖片是最好的。

需要注意的是，DBA是整個過程中添加的最后一步，雖然它能讓分數(shù)得到大幅提升，但是將它和查詢擴展結(jié)合起來時，提升只有1%—2%。我們認為這是由于數(shù)據(jù)庫擴展與查詢擴展方法的第一步很相似。

查詢擴展

查詢擴展是圖像檢索問題中的基礎(chǔ)技術(shù)，通常對模型的性能有很大提升。它工作的原理是：如果A與B匹配，B與C匹配，那么A與C匹配。我們可以在下面的實例中看到這種原理的優(yōu)勢，圖中三個區(qū)域相互重疊：

在這一案例中，查詢擴張系統(tǒng)可以將A和C聯(lián)系起來，判斷它們屬于同一場景，即使它們?nèi)置枋龇赡懿幌喾?。這在一些光線不同或視角不同的圖像中也很有用。

在這次比賽中，我們設(shè)計了一種新的、快速的技術(shù)用于查詢擴展，它可以通過遞歸運行捕捉圖像之間的長距離連接。這種特點非常適合這一問題，因為含有某個地標的圖像有很多，只有一張圖像才能成為查詢結(jié)果，其他的只能歸為top 100的結(jié)果中。

第一次迭代后，查詢擴展提升了約11%，進行了30分鐘的遞歸運行后，提升了14%，加入數(shù)據(jù)增強后這一結(jié)果有所下降。

簡化模型

在產(chǎn)品級機器學習環(huán)境中，由于收益遞減原則，幾乎不會使用大規(guī)模的多模型集成。通常使用較小的子集就能達到理想性能。我們想得到原來方案的簡化版本，只需要不到12個小時，僅僅用ResNeXt-REMAP和查詢擴展就能得到56%—57%的分數(shù)。

不足之處

局部描述符：這可能是我們在比賽中最意想不到的事。我們試了好幾種基于多種局部描述符的方法，包括使用和不使用幾何驗證的方法，例如用它對我們的結(jié)果重新排名，或者用它從上到下瀏覽幾千個全局近鄰，找找有沒有遺漏掉的局部匹配。不知道其他隊伍使用局部描述符的情況如何，也許是基于CNN的全局描述符太好用了以至于局部的時代終結(jié)了？

處理旋轉(zhuǎn)圖像：在數(shù)據(jù)集中我們發(fā)現(xiàn)很多圖片都是旋轉(zhuǎn)的。我們用好幾種方法處理這個問題，例如在k-最近鄰方法中比較旋轉(zhuǎn)和不旋轉(zhuǎn)的描述符，并為每組圖像進行最近匹配。但是分數(shù)依然沒有變化。有可能是因為這個數(shù)據(jù)集有太多干擾項了，誤報率太高，即使真正匹配對整體分數(shù)的影響也不大。

集成：我們試了好幾種方法將不同模型和方法的結(jié)果結(jié)合起來，例如排序平均和交錯預測等，然而成效不大。似乎早期將模型結(jié)合比結(jié)束時結(jié)合要好一些。