抽象的

多码本量化（MCQ）是在多个基础中的离散条目方面尽可能准确地表达一组矢量的任务。MCQ的工作重点关注降低量化误差，从而改善了在固定内存预算的视觉描述符的基准上的距离估计和召回。然而，该领域的最近的研究和方法很难相互比较，因为它们使用不同的数据集，不同的协议，以及最重要的是，不同的计算预算。在这项工作中，我们首先将一系列MCQ基线基准标记在等级等级，并对其召回运行时间性能进行分析。我们观察到，本地搜索量化（LSQ）的实践比其竞争对手快得多，但不是所有情况中最准确的方法。然后，我们介绍了两种新颖的改进，使LSQ（i）更加准确，并且（ii）更快。这些改进易于实施，并在MCQ中定义了新技术的新状态。

作者

朱丽叶马丁内斯，Shobhit Zakhmi，Holger H. Hoos，以及James J. Little

会议

ECCV 2018.

全文

'LSQ ++：在多码本量化中降低运行时间和更高的调用'（PDF）

优步阿格