Oxford5K, Paris6K, ROxford5K, RParis6K

该仓库包含多个用于图像检索的数据集，包括Oxford5K, Paris6K, ROxford5K和RParis6K。这些数据集用于训练和评估深度神经网络模型，支持自动下载和转换为kapture格式。

This repository contains multiple datasets for image retrieval, including Oxford5K, Paris6K, ROxford5K and RParis6K. These datasets are used for training and evaluating deep neural network models, and support automatic download and conversion to the kapture format.

原始信息汇总

Neural Image Retrival 数据集概述

评估

• 评估脚本: test_dir.py 用于评估预训练模型并重现结果。

• 参数:

  • --dataset: 选择数据集（例如：Oxford5K, Paris6K, ROxford5K, RParis6K）[必需]
  • --checkpoint: 模型权重路径 [必需]
  • --whiten: 对输出特征应用白化 [默认 Landmarks_clean]
  • --whitenp: 白化功率 [默认: 0.25]
  • --aqe: alpha-query 扩展参数 [默认: None]
  • --trfs: 输入图像变换（可用于应用多尺度）[默认: None]
  • --gpu: 选择 GPU ID（-1 选择 CPU）

• 示例命令: bash python -m dirtorch.test_dir --dataset RParis6K --checkpoint dirtorch/data/Resnet101-AP-GeM.pt --whiten Landmarks_clean --whitenp 0.25 --gpu 0

• 输出示例:

  Evaluation...

  • mAP-easy = 0.907568
  • mAP-medium = 0.803098
  • mAP-hard = 0.608556

特征提取与 kapture 数据集

• 安装 kapture: bash pip install kapture

• 下载数据集: bash kapture_download_dataset.py update kapture_download_dataset.py list

  例如：安装 Extended-CMU-Seasons_slice22 的 mapping 和 query

  kapture_download_dataset.py install "Extended-CMU-Seasons_slice22_*"

• 提取 kapture 数据集的全局特征: bash python -m dirtorch.extract_kapture --kapture-root pathto/yourkapturedataset --checkpoint dirtorch/data/Resnet101-AP-GeM-LM18.pt --gpu 0

• 更多信息: 运行 python -m dirtorch.extract_kapture --help 获取提取参数的详细信息。

搜集汇总

数据集介绍

构建方式

该数据集的构建基于图像检索任务，涵盖了Oxford5K、Paris6K、ROxford5K和RParis6K四个子集。这些数据集通过精心挑选的高质量图像和相应的查询图像构成，旨在评估图像检索系统的性能。每个子集均包含一组基准图像和查询图像，以及相应的真实匹配标签，确保了数据集的完整性和实用性。

特点

该数据集的主要特点在于其多样性和复杂性。Oxford5K和Paris6K提供了基础的图像检索任务数据，而ROxford5K和RParis6K则在此基础上增加了难度，引入了更多的干扰和复杂场景。这种设计使得数据集不仅适用于初学者，也能满足高级研究的需求。此外，数据集支持自动下载和转换工具，便于用户快速获取和处理数据。

使用方法

使用该数据集时，用户可以通过提供的脚本`test_dir.py`进行模型评估，选择相应的数据集和预训练模型路径。通过调整参数如`--whiten`、`--whitenp`和`--aqe`，用户可以定制化评估过程。此外，数据集支持kapture格式的特征提取，用户可以通过`extract_kapture`脚本将自定义数据集转换为kapture格式，并进行特征提取。详细的参数设置和使用方法可通过运行`--help`命令获取。

背景与挑战

背景概述

Oxford5K、Paris6K、ROxford5K和RParis6K数据集是图像检索领域的重要基准，由Filip Radenovic等研究人员创建。这些数据集的核心研究问题是如何在大型图像库中高效且准确地检索相似图像。通过提供高质量的图像数据和相应的查询图像，这些数据集极大地推动了图像检索技术的发展，尤其是在深度学习和特征提取方法的应用上。这些数据集的创建不仅为研究人员提供了一个标准化的评估平台，还促进了图像检索算法在实际应用中的性能提升。

当前挑战

这些数据集在构建和应用过程中面临多项挑战。首先，图像检索领域的核心问题是如何在海量图像中快速且准确地找到目标图像，这要求算法具备高效的特征提取和匹配能力。其次，数据集的构建过程中，如何确保图像质量和多样性，以及如何处理不同光照、视角和遮挡等复杂情况，都是重要的挑战。此外，随着深度学习模型的不断发展，如何有效地评估和比较不同模型的性能，也是一个持续的研究课题。

常用场景

经典使用场景

在图像检索领域，Oxford5K、Paris6K、ROxford5K和RParis6K数据集被广泛用于评估和优化神经网络模型的性能。这些数据集通过提供高质量的图像和相应的查询，使得研究人员能够精确地测试和比较不同模型的检索效果。例如，通过使用`test_dir.py`脚本，研究者可以加载预训练模型并针对这些数据集进行评估，从而获得关于模型在不同难度级别下的平均精度（mAP）指标。

解决学术问题

这些数据集解决了图像检索领域中模型评估的标准化问题。通过提供结构化的图像和查询集，它们帮助研究人员在统一的基准上比较不同算法的效果，从而推动了图像检索技术的进步。此外，这些数据集还促进了多尺度特征提取和查询扩展等技术的研究，为提升检索系统的准确性和鲁棒性提供了重要的实验基础。

衍生相关工作

基于Oxford5K、Paris6K、ROxford5K和RParis6K数据集，许多经典的工作得以展开。例如，研究者们开发了多种先进的特征提取和匹配算法，如基于ResNet的AP-GeM模型，这些模型在多个数据集上均表现出色。此外，这些数据集还催生了图像检索领域的多篇重要论文，推动了该领域的理论和实践发展。通过这些工作，图像检索技术在精度和效率上得到了显著提升。