隨著移動互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的發(fā)展，海量數(shù)據(jù)正在發(fā)生爆發(fā)式增長，從大規(guī)模數(shù)據(jù)中檢索與定位重要的目標信息具有廣泛且重要的應用價值，因而受到學術界和工業(yè)界的大量關注。物體檢索與定位，是指給定查詢目標在某種模態(tài)下的信息，在大規(guī)模圖像視頻數(shù)據(jù)中集中定位該目標的技術。物體檢索與定位是計算機視覺技術核心的課題之一。然而，由于光照、視角、遮擋等外部因素和物體本身的形變、類別多樣性等內(nèi)部因素的共同影響，圖像在不同層次上存在復雜的表象變化。除此之外，示例、圖像和標簽之間的層次關聯(lián)繁雜多樣，這些都給物體檢索與定位帶來了很大的困難。

本書從實際應用的角度出發(fā)，針對示例檢索、標簽檢索和物體定位三個相關問題進行深入研究。以視覺詞袋模型和深度卷積網(wǎng)絡模型為基礎，從模型表示、模型學習和關聯(lián)匹配幾個方面進行擴展和完善。

（1）針對基于視覺詞組的示例檢索模型進行了研究。首先，優(yōu)化了視覺詞組的定義方式，提高了視覺詞組的區(qū)分性。其次，分析了一類容易被忽視的現(xiàn)象，即視覺詞組的突爆匹配。后，基于概率模型，提出了一種新穎的貝葉斯池化模型用于消除突爆匹配，從而優(yōu)化了圖像之間的相似性度量，提高了示例檢索的準確性。

（2）針對基于深度卷積網(wǎng)絡的示例檢索模型進行了研究。針對示例檢索的查詢敏感的空間位置關聯(lián)性問題，提出了一種空間位置對齊的模型框架。更進一步，提出了一種基于排序的深度卷積網(wǎng)絡，用于建模物體的類內(nèi)和類間差異性。為了訓練這個網(wǎng)絡，設計了一種半監(jiān)督的訓練樣本收集策略。該策略不需要任何對查詢物體的先驗知識，并且極大地減少了人工收集訓練樣本所需的成本。實驗結果表明，這一方法顯著地提高了深度模型下示例檢索的準確性。

（3）針對前背景的模糊性，從特征學習的角度，介紹了一種多示例在線學習模型解決弱監(jiān)督條件下的圖像標注和物體定位問題。首先，在現(xiàn)有的多示例學習模型的基礎上，改進了訓練樣本的選擇和更新策略。改進后的策略能夠收集準確多樣的正樣本以及有區(qū)分性的負樣本，從而提高前背景的區(qū)分性。其次，設計了一個端到端的模型，同時進行訓練樣本的選擇和物體檢測器的訓練。后，通過對示例標注和圖像標注進行關聯(lián)，從而通過一個模型聯(lián)合學習圖像標注和物體檢測算法。實驗結果表明，這一模型有效地提高了圖像標注和物體定位的性能。

（4）從特征表示的角度對標簽檢索和物體定位問題進行了研究。具體地，本書介紹了一種基于顯著性的深度特征模型，改善基于矩形框的物體特征表示。顯著性模型使得矩形框內(nèi)背景區(qū)域的特征響應被抑制，而前景中重要的視覺區(qū)域的特征激活得到增強。這樣的特征表示模型使得前景區(qū)域和背景區(qū)域的類內(nèi)差異變小，類間差異變大，從而減少了前背景的模糊性。這一顯著性特征模型可以與當前好的弱監(jiān)督物體檢測模型融合，從而進行端到端的聯(lián)合訓練。這一方法的可靠性在多個數(shù)據(jù)集上得到了驗證。