Spatial verification methods permit geometrically stable image matching, but still involve a difficult trade-off between robustness as regards incorrect rejection of true correspondences and discriminative power in terms of mismatches. To address this issue, we ask whether an ensemble of weak geometric constraints that correlates with visual similarity only slightly better than a bag-of-visual-words model performs better than a single strong constraint. We consider a family of spatial verification methods and decompose them into fundamental constraints imposed on pairs of feature correspondences. Encompassing such constraints leads us to propose a new method, which takes the best of existing techniques and functions as a unified Ensemble of pAirwise GEometric Relations (EAGER), in terms of both spatial contexts and between-image transformations. We also introduce a novel and robust reranking method, in which the object instances localized by EAGER in high-ranked database images are reissued as new queries. EAGER is extended to develop a smoothness constraint where the similarity between the optimized ranking scores of two instances should be maximally consistent with their geometrically constrained similarity. Reranking is newly formulated as two label propagation problems: one is to assess the confidence of new queries and the other to aggregate new independently executed retrievals. Extensive experiments conducted on four datasets show that EAGER and our reranking method outperform most of their state-of-the-art counterparts, especially when large-scale visual vocabularies are used.

中文翻译：

---

使用成对几何关系集成的标签传播：面向对象实例的鲁棒大规模检索

空间验证方法允许几何稳定的图像匹配，但仍然涉及在不正确拒绝真实对应的鲁棒性和不匹配方面的判别能力之间的艰难权衡。为了解决这个问题，我们询问与视觉相似性相关的弱几何约束的集合是否比视觉词袋模型的表现好于单个强约束。我们考虑一系列空间验证方法，并将它们分解为强加于特征对应对的基本约束。包含这些约束使我们提出了一种新方法，该方法利用现有技术和功能的最佳优势，将空间上下文和图像间转换作为对等几何关系 (EAGER) 的统一集成。我们还介绍了一种新颖而强大的重新排序方法，其中 EAGER 在高排名数据库图像中定位的对象实例作为新查询重新发布。扩展 EAGER 以开发平滑约束，其中两个实例的优化排名分数之间的相似性应与其几何约束的相似性最大程度地一致。重新排序被新表述为两个标签传播问题：一个是评估新查询的置信度，另一个是聚合新的独立执行的检索。在四个数据集上进行的大量实验表明，EAGER 和我们的重新排序方法优于大多数最先进的方法，尤其是在使用大规模视觉词汇时。其中 EAGER 在高级数据库图像中定位的对象实例作为新查询重新发布。扩展 EAGER 以开发平滑约束，其中两个实例的优化排名分数之间的相似性应与其几何约束的相似性最大程度地一致。重新排序被新表述为两个标签传播问题：一个是评估新查询的置信度，另一个是聚合新的独立执行的检索。在四个数据集上进行的大量实验表明，EAGER 和我们的重新排序方法优于大多数最先进的方法，尤其是在使用大规模视觉词汇时。其中 EAGER 在高级数据库图像中定位的对象实例作为新查询重新发布。扩展 EAGER 以开发平滑约束，其中两个实例的优化排名分数之间的相似性应与其几何约束的相似性最大程度地一致。重新排序被新表述为两个标签传播问题：一个是评估新查询的置信度，另一个是聚合新的独立执行的检索。在四个数据集上进行的大量实验表明，EAGER 和我们的重新排序方法优于大多数最先进的方法，尤其是在使用大规模视觉词汇时。扩展 EAGER 以开发平滑约束，其中两个实例的优化排名分数之间的相似性应与其几何约束的相似性最大程度地一致。重新排序被新表述为两个标签传播问题：一个是评估新查询的置信度，另一个是聚合新的独立执行的检索。在四个数据集上进行的大量实验表明，EAGER 和我们的重新排序方法优于大多数最先进的方法，尤其是在使用大规模视觉词汇时。扩展 EAGER 以开发平滑约束，其中两个实例的优化排名分数之间的相似性应与其几何约束的相似性最大程度地一致。重新排序被新表述为两个标签传播问题：一个是评估新查询的置信度，另一个是聚合新的独立执行的检索。在四个数据集上进行的大量实验表明，EAGER 和我们的重新排序方法优于大多数最先进的方法，尤其是在使用大规模视觉词汇时。一种是评估新查询的置信度，另一种是聚合新的独立执行的检索。在四个数据集上进行的大量实验表明，EAGER 和我们的重新排序方法优于大多数最先进的方法，尤其是在使用大规模视觉词汇时。一种是评估新查询的置信度，另一种是聚合新的独立执行的检索。在四个数据集上进行的大量实验表明，EAGER 和我们的重新排序方法优于大多数最先进的方法，尤其是在使用大规模视觉词汇时。