摘要

图像检索系统传统上采用两阶段范式，即利用全局特征进行初步检索，并通过局部特征进行重排序。然而，由于重排序阶段涉及局部特征匹配，导致存储与计算开销巨大，该方法的可扩展性往往受到限制。本文提出一种名为SuperGlobal的新方法，该方法在两个阶段均仅依赖全局特征，从而在不牺牲准确率的前提下显著提升效率。SuperGlobal对检索系统进行了关键改进，重点聚焦于全局特征提取与重排序过程。在特征提取阶段，我们发现将广泛使用的ArcFace损失函数与广义均值（Generalized Mean, GeM）池化方法结合时存在次优性能，因此提出若干新模块以优化GeM池化过程。在重排序阶段，我们引入一种新颖的方法：仅通过少量图像对查询图像及排名靠前的图像进行特征精炼，即可更新其全局特征，从而实现极高的计算与内存效率。实验结果表明，SuperGlobal在标准基准测试中相较当前最先进方法取得显著提升。特别地，在Revisited Oxford+1M Hard数据集上，单阶段结果提升达7.1%；而两阶段方案在实现64,865倍加速的同时，性能提升达到3.7%。此外，我们的两阶段系统超越当前最先进的单阶段方法16.3%，为高性能图像检索系统提供了一种高效、可扩展且准确的替代方案，同时仅带来极小的时间开销。代码地址：https://github.com/ShihaoShao-GH/SuperGlobal