1319Motif Mining：发现和总结重新混合的图像内容William Theisen、Daniel Gonzalez Cedre、Zachariah Carmichael、DanielMoreira、Tim Weninger和Walter Scheirer圣母大学计算机科学与工程系{wtheisen，dgonza26，zcarmich，dhenriq1，tweninge，walter.scheirer} @ nd.edu摘要在互联网上，图像不再是静止的;它们已经成为动态内容。由于具有相机和易于使用的编辑软件的智能手机的可用性，图像可以被重新混合（即，编辑、编辑和与其他内容重新从数字艺术到模因，图像随时间的演变现在是数字人文主义者、社会科学家和媒体取证专家的重要研究课题。然而，由于计算机视觉中的典型数据集由静态内容组成，因此用于分析重新混合内容的自动算法的发展有限。在本文中，我们提出了Motif Mining的思想：在大量未标记和未排序的数据集合中查找和汇总重新混合的图像内容的过程。这是第一次，这个想法是正式的，并在此基础上，形式主义的参考我们在三个模因风格的数据集上进行实验，其中包括一个新收集的与俄乌冲突相关的数据集。所提出的主题挖掘方法能够识别相关的混音内容，与类似的方法相比，更接近人类观察者的偏好和期望。1. 介绍随着在线发布的图像数量的增长，人工发现在线信息的趋势变得越来越困难。虽然已经提出了一些计算机视觉算法来解决这个问题[31，36]，但与标记地面事实相关的财务，劳动力和时间成本是一个巨大的障碍。在分析社会趋势时，这一点尤其明显，因为社会趋势的变化往往如此之快，以至于标记良好的数据在准备时就已经过时。此外，像模因这样的重新混合图像内容的流行-图像经常被编辑以删除信息或包含其他内容-已经提出了关于如何关联的问题。图像.在本文中，我们描述了在大量重新混合的图像中自动发现趋势的过程，称为Motif Mining（图1）。几个不同的社区对这个概念感兴趣，包括研究新的参与式艺术运动的数字人文主义者[25]，研究视觉传达在冲突中的作用的计算社会科学家[32]，以及试图检测虚假信息的媒体取证专家[16]。有几个挑战，必须克服，以实现强大的和准确的主题挖掘。到目前为止，这个概念已经在文献[35，3，6，29]中非正式地应用，留下了关于可以应用于问题和输出结构的优化策略的问题。相对于一个可行的算法，表示图像的相似性，通过一个图形，没有图像功能存在的作品与全球相似的图像和图像是相似的，只有在小的局部地区，这是通常观察到的混合内容。此外，还需要大量研究图像特征和图形构建算法的不同组合如何影响人类对挖掘图案的感知。由于模体挖掘的目的是帮助人类观察者，这是一个需要回答的重要问题。本文的主要贡献如下：1. 主题挖掘问题的正式描述，提供了如何更容易地发现大型未排序数据集中的显著趋势的路线图，并以端到端处理管道的形式解决了这个问题。12. 一种利用矢量检索系统生成主题图的新方法，该方法比以前的工作提高了3. 一种新的图像特征策略，结合局部和全局图像特征，以增加图生成过程中可用的上下文。4. 超 过50 万 个帖 子的 新 数据 集包 含 过去 六年 从Telegram收集的混音和静态图像，包括俄罗斯联邦2022年入侵乌克兰的开始。5. 对拟议管道的实证研究，包括1本系统将在本作品出版之前开放源代码。13201321GV艾薇！GE2CCVGV EE！VGVC··2 GVCGV！--1K这是一种新的方法，通过将一小部分全局上下文附加到图像的每个局部特征。(2)Theisen等人并不能保证生成的图不包含孤立的顶点，而谱聚类的排他性使用[17]要求预先指定聚类的数量。（3）与Theisen等人的工作相比我们的方法在处理时间上快了一个数量级这是通过将特征提取和索引操作移动到GPU上来实现的3.模式挖掘传统上，计算机视觉问题一直被视为对参考任务的地面实况数据虽然这提供了高质量的比较基线，但通常很少有人花费精力来证明更高的度量分数实际上会为人类观察者提供更有用的输出，用于图像检索等任务。作为替代方案，来自心理学的视觉心理物理学的方法和程序已被推荐作为使用人类行为反应来评估算法的一种方式[23，24]。从这项工作中，我们正式的主题挖掘。Motif Mining问题动机的目的-ing是让人类观察者快速获得洞察力，在某种直观的意义上，它们被认为是因为我们的任务是既固有的主观和难以正式规范，因为数据的数量远远超过任何人类注释者我们的正式框架规定了一个数据集的图像作为一个加权图=（，，w：R+），其中是图的顶点集和是它的边集。 在这里，w：R+表示为的每条边分配正的实值权重的函数。该图中的顶点表示来自数据集的图像，并且加权边缘捕获两个广告图像之间的相似性的强度在这一框架内，计算与人类观察者期望的尽可能少的不一致 我们使用Imposter-Host任务来测试这一点[30]。这意味着找到顶点集的某个划分，使得对于给定的一对不同的聚类c，c如果向人类呈现来自c的k个图像和来自c的一个冒名顶替者图像，则人类将能够挑选冒名顶替者（即，，古怪的图像出来）。我们将其正式定义如下：min0XXX（1-H（v1，. . . vk，v））（c，c）1，关于视觉趋势在一个大集合的未排序和未-C2P（V）@cc2Cv，. v2cv2cA在给定的数据集中是通过图形构建。然而，由于模体挖掘的目的是为了帮助人们，必须围绕一些人类反馈机制来优化我们的实验就是围绕这个想法展开的。作为一个有用的图表的例子，图的右侧。图1显示了许多不同的飞机，其中有几架是战斗机。这个例子来自当前的俄罗斯-乌克兰冲突。网上发布的军国主义图片数量的增加可能预示着冲突中的一个事件[32]，也可能向第三方泄露有用和/或有害的情报。乌克兰政府最近谈到了这一问题，特别是与“乌克兰国防部长Olek- sii Reznikov，[...]呼吁观众分享俄罗斯袭击的图像”和“当地Telegram频道敦促其40万订阅者“仔细拍摄”并分享俄罗斯军队通过的视频，以便乌克兰战士可以追捕他们”。这些例子取自从Telegram收集的乌克兰数据集中的16，433张图像子集中挖掘的851个图案[28]。图的理想数量和图像在其中的分布最好形式化为优化问题，任务精度来自人类反馈。优化人类观察者。给定一个大型的未标记的图像数据集，我们的目标是通过对这些图像进行分类来自动发现其中的趋势，其中（i）kN+，㈡是我们的加权图，（iii）P（）是分割的集合，、（iv）是一组顶点簇，（v）v1， . . . v，k都属于同一个簇c，（vi）v，k属于不同的簇c，（vii）H：k+10，1返回1i f fvi iMat.秒I）的第10条。为了指定该图，需要具有一些相应参数的映射过程M来将图像语料库映射到加权图上。考虑到这一点，该问题可以进一步被认为是一个优化任务，如方程。（1）对给定数据集的每个加权图因此，Eq.对于给定的聚类，只有当人类观察者同意聚类的质量时，1才被最小化。简单地枚举所有可能的聚类显然在计算上是不可行的;相反，参数化聚类算法A并在A的参数集上执行此优化任务将是更有原则的然而，这将需要大量的人类观察者来检查每个聚类。在本文中，我们采用了各种有效的图聚类算法，并检查他们的性能直接对人类观察员的几个不同的实现图产生的M。每次M生成一个加权图时，我们将聚类算法之一Ai应用于该图，并评估这些聚类的质量。这种启发式的方法是朝着找到标记数据。查找多种趋势的常用方法（一）13221323R2RX·-⇥-索引是在局部特征级建立的，被索引的特征与它们各自的源图像具有多对一的关系。因此，检索到的特征需要被“映射”回它们被提取的图像，因为我们对图像级相似性感兴趣。考虑到对所选择的起始点图像的特征的查询，每个结果r是元组（f，i，d），其中f是对应于图像i的特征，并且d是如通过索引计算的f与所查询的特征之间的距离如果我们关注属于图像i的检索特征的子集i，则可以如下计算该图像与所选起始点图像之间连接的组件，虽然一些功能（例如，，SURF）仍然会在较小的数据集上产生完全连接的图。添加图像连接。查询索引以生成图确保不存在孤立的顶点，但不确保图是完全连接的。许多聚类算法，如谱聚类[17]，在具有一个连通分量的图上效果最好因此，在查询步骤之后，测试了三种基于拓扑的方法，用于通过添加额外的边来连接图然而，这些方法在计算时间方面是昂贵的，并且与在不连通图上简单地聚类相比，在准确性上仅略微增加，似乎是随机的。出于这个原因，我们认为完全连接图是不值得的时间si=（f，i，d）2Ri1-tanh（d）。（二）必须这样做。有关三种不同连接方法的详细信息，请参见一个Supp。Mat.我们选择使用非线性算子tanh（），因为对于所有非负d，它在区间[0，1）内有界。实际上，非线性加权奖励较小的距离，并且随着距离变大而更严厉地惩罚距离。每个特征向量差，在应用Eq. 2，然后被添加到生成检索到的特征向量的图像的图像级分数然后，我们可以取N个得分最高的图像，N是一个自由参数（在下面的实验中设置为50），并返回与任何给定查询图像最相似的图像的排名列表我们称之为单个向量距离的形式。相似度计算仅针对局部特征（包括与全局特征相结合的特征对于纯全局特征的使用，由于它们与源图像的关系是一对一的，因此我们简单地采用由索引返回的单个距离值d并直接计算相似性得分1 tanh（d），而不是使用等式1。二、为了实现一个图形的图像相似性计算，我们创建了一个NN邻接矩阵，其中数据集中的N个图像中的每一个确定一行和一列。然后，我们用计算出的这些对应图像之间的相似性得分填充该矩阵的条目（i，j）然后，该矩阵中的条目将对应于我们最终图中表示这些顶点的顶点之间的加权边。数据集中的图像。已经探索了几种策略来选择起点图像并在该矩阵中填充分数先前的工作[29]只是取了集合中图像的一个较小子集，并希望得到的连接足够多样化以形成代表性图。 在这项工作中，我们继续选择图中孤立图像的随机子集（即，邻接矩阵内的列和行总和为零的图像），直到访问完所有这种方法比查询所有N个图像更便宜，同时仍然消除任何孤立的顶点，不像以前的工作。请注意，这并不保证一个单一的图像的聚类。三个聚类技术，非常适合在加权图中找到社区，进行了测试。Louvain聚类、Markov聚类和Spectral聚类。选择光谱聚类，以便将结果与先前文献[29]进行比较。用于社区检测的Louvain[4]方法使用两阶段迭代优化来最大化图的模块性-一种比较集群内和集群间密度的度量。另一方面，马尔可夫聚类[5]是一种基于随机游走的聚类算法，它通过将图上的随机游走建模为马尔可夫链来计算加权图的顶点之间的转移概率。最后，谱聚类是指根据定义在数据上的拉普拉斯算子的特征值对数据进行聚类的一种非常流行的方法。在图的聚类的上下文中，谱方法涉及使用图的拉普拉斯矩阵L =DA的k个最大特征值作为特征将k（加权）邻接矩阵，D是它的对角线。这些聚类算法提供了一种无监督的方式来揭示数据中的潜在趋势，这种方式可以让人类自然地聚集重新混合的静态图像。然而，只有通过将人类反馈纳入评估，才能揭示其中哪些（如果有的话）最接近人类直觉。5. 实验和结果总共有252种不同的Motif Mining管道配置，4个进行了测试，以确定最有效的。图4提供了所有这些结果的摘要C的补充。Mat.以更详细的表格形式逐一列出。主要感兴趣的是每个特定组合为了描述配置，我们使用以下格式13241325图4. Imposter-Host测试在三个数据集上的准确性得分。三种聚类方法中的每一种都用不同的形状表示。作为先前工作记录的结果来自Theisen等人。[29]在不同的特征配置中，在未连接的图上使用谱聚类有关我们工作中使用的连接算法的更多细节，请参见第2节。C的补充。Mat.作为类的代理，意味着186个挖掘的motif将是完美的答案）。然而，随着数据集的增长，可用的集群数量保持在256。这与组合的全局-局部特征形成对比，组合的全局-局部特征在集群的数量上继续增长（尽管不是严格成比例的）。在这项工作中，随着图像数量的增加，在全局-局部特征中可以看到增加的准确度分数。如果图像的数量继续增加，则似乎可能全局特征的准确性将开始降低，因为越来越多的视觉上多样化的图像将不得不被分箱到最多256个聚类中，而全局-局部特征允许随着数据的增长而有更多的聚类。就Imposter-Host任务准确性评分而言，我们实现了最先进的性能。如表1所示，Reddit数据集上的先前文献仅实现了16.15%的准确率，比随机机会更差，声称“由于数据集的视觉复杂性，他们[土耳其工人]能够找到不打算链接图像的连接”[29]。为了证明一种更有原则的图形生成方法可以极大地改善结果，我们进行了消融研究，其结果可以在表1的第1列和第2列中看到&。在这个组件中，两种方法之间的唯一区别是如何生成图形。对于6个比较中的5个，新的图形生成方法大大提高了准确性分数。通过使用不同的聚类算法（即，Louvain或Markov clustering）更适合手头的问题。除了这两个改进的准确性相比，以前的工作，使用新提出的组合特征的方法，从目前的工作再次导致准确性的增加在这项研究中，冲浪移动功能的通过结合所有这三项改进，与之前的最新技术（48.96）相比，准确性得分可以提高50个百分点以上。在新的“乌克兰”数据集上，准确性得分同样很高（图10）。4，中间图）。最高得分为79.91%的冲浪移动尔马尔可夫方法实现。在这种情况下，即使对于较大的数据集，组合特征也显示出高精度。这一结果有一个重要的警告。就像Theisen et al.[29]发现谱聚类产生了一个奇异的“mega-cluster”，其中包含了绝大多数图像，因此使该方法不受欢迎，马尔可夫聚类方法有一个类似的问题，不经意地将结果向更高的一侧倾斜：它不是将所有的异常图像放入一个单一的大集群中，而是将异常图像放入它们自己的单独集群中。由于Imposter-Host测试要求主机群集中至少有4个图像，因此忽略了这些单个图像离群值群集。这留下了一些仅包含近似重复的集群由于这种怪癖，除非人们只对小的接近重复的聚类感兴趣，否则我们建议在基元挖掘的真实实现中使用Louvain聚类方法，因为它导致图像和聚类大小的更均匀和实际的分布，同时保持Imposter-Host任务的最先进的准确性D.2补充。Mat.）。底层图和聚类结构。虽然新的图形创建方法确保图形中没有相反，该图包含几个有趣的模式，这些模式来自创建索引时使用的特征类型，以及与索引初始化相关的选择。为了进一步探索这一点，我们进行了一个实验，其中每个索引都是在Reddit数据集上重新创建的，具有不同数量的质心（128，256，512，1024）。全局特征类型总是导致图的分量数等于索引初始化时全局特征导致13261.3表1. 最高的acc p分数来自建议的管道使用光谱聚类方法，以允许公平比较如何聚类发生在以前的工作，其次是最高分的任何其他组合的功能和聚类方法。这表明，与以前的工作相比，以更有原则的方式构建图，同时仍然使用谱聚类可以提高准确性，但是从谱聚类切换到不同的聚类方法几乎总是可以进一步提高分数（Reddit-SURF组合除外）。等于质心数量的连通分量意味着，流水线的所有查询步骤正在进行的是暴露FAISS已经预先确定的潜在质心空间E.1在Supp。Mat.以取得详细数据）。尽管SURF特征本身导致高度连接的图，并且全局特征导致FAISS已经计算出的底层簇空间的简单镜像，但是组合的全局+局部特征导致比质心数量更多的分量，这意味着在质心内发现了类似图像的更多子结构。那些产生更多组件的组合特征沿着流水线向下渗透到聚类步骤，其中使用这些特征的聚类给出了更好的图像聚类扩展。定性结果。在乌克兰数据的处理过程中，使用surfmobile-reg-louvain 配 置 运 行 了 管 道 的 初 始 测试，由于其速度，准确性和图像分布的组合，我们建议将其作为在野外运行时的最佳选择 结果很有趣，我们继续在所有三个数据集上运行它，产生了图1所示的结果。图1和图3。在图3中，顶行中最左边的集群示出了猫从鸟浴中饮水的五个图像和拿着公文包的松鼠上的虚假匹配。中间的主题是一个男人把一个孩子从海里追出来。在这里，我们看到了更强大的混音示例，激光束，鲨鱼和熊都被添加进去。最后一个主题是一只猫坐在门口。这种分组突出了局部匹配的有用性，因为其中一个图像与所有其他图像具有鲜明的全局对比，但是局部特征允许在共享的猫的头部上进行匹配第二行说明了来自Indonesian数据集的三个基序同样，我们可以在中间看到一个强大的混合内容集群。在左边可以看到投票计数的图像，普拉博沃竞选团队将其用作涉嫌欺诈的证据，试图在2019年选举中失败[20]。第三个聚类再次证明了为什么局部特征在主题挖掘中非常有用：许多不同的投票箱中的塞尔维亚人图像都出现在这个主题中，但只共享了局部相似盒子最后，图的底部行。3显示了乌克兰数据集的结果。在最左边的面板中发现了一个极端主义模因频道请注意，这个图像经常叠加在Sonnenrad上，这是一个增选的纳粹符文[27]。中间是乌克兰版本的Yes-Chad模因的几个变体[33]。 右边是乌克兰国旗。特别令人感兴趣的是顶部中心的PS图像，显示学校的孩子们携带了一些旗帜。参见补充Mat. 秒F为额外的例子。6. 结论新提出的流水线，结合一种新的图形生成技术和图像特征的组合，实现了最先进的结果的主题挖掘问题。与以前的工作相比，增加了近50个百分点，它展示了一条帮助人类应对在线社交媒体新兴趋势的前进此外，还从Telegram收集了一个新的数据集，以便在该领域进行进一步的基准测试。它的及时发布将使研究人员能够对乌克兰和俄罗斯演员之间日益加剧的在线紧张局势获得无与伦比的看法，反映了当地日益加剧的局限性和未来的工作。拟议的工作仍有几个需要改进的地方。首先，计算视觉主题挖掘管道的准确性是昂贵且耗时的，需要大量的人工输入。利用心理学中视觉心理物理学的建模工作，建立人的反馈度量的计算模型其次，当前的流水线没有使用在图像旁边收集的非视觉数据（例如，发布时间和与图像一起收集的文本多模式的主题挖掘方法必将产生更准确的结果。我们认为，利用所有可用的背景是在这一领域的未来研究至关重要。[29]（上）我们的（顶部-光谱）我们的（顶部）Reddit -PHASHN/A23.53%38.73%Reddit -VGGN/A24.79%64.25%Reddit -冲浪百分之十六点一五39.62%39.62%印度尼西亚-PHASH21.83%31.81%32.53%印度尼西亚-VGG26.79%50.07%77.05%印度尼西亚-次区域资源中心57.25%44.66%60.94%1327Richard C.帕多克印尼法院驳回前身份 候选人的 选举舞弊指控https：//www.nytimes.com/2019/06/27/world/asia/indonesia-widodo-prabowo-election-fraud.HTML引用[1] 亚马逊 机械土耳其人.[2] Herbert Bay，Andreas Ess，Tinne Tuytelaars，and LucVan Gool.加速鲁棒特征（SURF）。计算机视觉与图像理解，110（3）：346[3] D. Beskow，S.Kumar和K.M. 卡莉政治模因的演变：使用多模态深度学习检测和表征互联网模因。信息处理和管理，57（2），2020。[4] Vincent D Blondel，Jean-Loup Guillaume，Renaud Lam-biotte，and Etienne Lefebvre.在大型网络中快速展开统计力学杂志：理论与实验，2008（10）：P10008，oct2008.[5] 斯蒂恩·东根通过流模拟进行图聚类数学与计算机科学中心（CWI）博士，2000年5月。[6] A. Dubey，E. Moro，M. Cebrian和我拉万迷因-用于嵌入图像宏的稀疏匹配。在2018年国际万维网会议的会议记录中[7] 希夫·拉姆·杜比使用深度学习进行基于内容的图像检索的十年调查IEEE Transactions on Circuits and Systems forVideo Technology，32（5），2021。[8] 葛铁铮，何开明，柯启发，孙建。优化的产品量化近似最近邻搜索。在IEEE计算机视觉和模式识别会议上，第2946-2953页[9] 提请Harwell 和瑞秋勒曼 如何乌克兰人利用社交媒体羞辱的鲁斯，鲁斯锡安和凝聚世界网址：//www.washingtonpost.com/technology/2022/03/01/social-media-ukraine-russia/，2022.[10] Kaiming He，Xiangyu Zhang，Shaoying Ren，and JianSun.用于图像识别的深度残差学习。在IEEE Conferenceon Computer Vision and Pattern Recognition，第770-778页[11] A. Howard，M. Sandler，G.楚湖，澳-地陈湾，澳-地Chen，M. 谭、W. Wang，Y.朱河，巴西-地Pang，V. Vasudevan，Q.V.Le和H.Adam.正在搜索mobilenetv3。在IEEE/CVF国际计算机视觉会议上，2019年。[12] Je f fJohnson，MatthijsDouze，andHer ve'Je'gou. 使用GPU进 行 十 亿 级 相 似 性 搜 索 。 IEEE Transactions on BigData，7（3）：535[13] E. Klinger和D.斯塔克威瑟pHash：开源感知哈希库。https://www.phash.org，2013。[14] 大卫·洛从尺度不变的关键点中提取独特的图像特征International Journal of Computer Vision，60（2）：91[15] Vishal Monga和Brian L Evans。感知图像散列通过特征点 ： 性 能 评 估 和 权 衡 。 IEEE Transactions on ImageProcessing，15（11）：3452[16] 丹尼尔·莫雷拉、阿帕纳·巴拉蒂、乔尔·布罗根、艾伦·平托、迈克尔·帕洛夫斯基、凯文·鲍耶、帕特里克·弗林、安德森·罗查和沃尔特·谢勒。图像来源分析.规模IEEE Transactions on Image Processing，27：6109[17] 吴恩达、迈克尔·乔丹和耶尔·韦斯。关于谱聚类：分析和算法。于T. Dietterich，S. Becker和Z. Ghahramani，编者，《神经信息处理系统》，第14卷。麻省理工学院出版社，2001年。[18] Hyeonwoo Noh 、 Andre Araujo 、 Jack Sim 、 TobiasWeyand和Bohyung Han。具有深层局部特征的大规模图像检索在IEEE计算机视觉国际会议上，第3456-3465页[19] Timo Ojala，Matti Pietikainen，和Topi Maenpaa.基于局部二 值模 式的多 分辨 率灰度 和旋 转不变 纹理IEEETransactionsonPatternAnalysisandMachineIntelligence，24（7）：971[20]，2019年。[21] Re′miPautrat，ViktorLarsson，MartinROswald，andMarcPollefeys.局部特征描述器的在线不变性选择。欧洲计算机视觉会议，第707-724页[22] 卡尔·皮尔森LIII.空间中与点系最接近的直线和平面伦敦，爱丁堡和都柏林哲学杂志和科学杂志，2（11）：559[23] 布兰登·理查德·韦伯斯特，塞缪尔·安东尼，沃尔特·谢勒。Psyphy：一个心理物理学驱动的视觉识别评估IEEE Transactions on Pattern Analysis and MachineIntelligence，41（9）：2280[24] 放大图片创作者：李文辉，李文辉.Anthony和Walter J.谢勒使人脸识别算法更易于解释的视觉心理物理学在欧洲计算机视觉会议论文集，2018年9月。[25] 利莫尔·希夫曼数字文化中的模因The MIT Press，2013.[26] K. Simonyan和A.齐瑟曼。用于大规模图像识别的深度卷积网络。在2015年国际学习代表会议上[27] 桑尼拉德https://www.adl.org/education/references/hate-symbols/sonnenrad.[28] Telegram FZ LLC和Telegram Messenger Inc. 电报https://telegram.org/网站。[29] W. Theisen，J.布罗根山口B. Thomas，D.莫雷拉山口Phoa，T.Weninger和W.谢勒具有多样外观的政治模因类型的自动发现AAAI网络和社交媒体会议，15：714[30] Tim Weninger，Yonatan Bisk，and Jiawei Han.文档图中的文档主题层次结构。在ACM International Conferenceon Information and Knowledge Management，第635-644页[31] 徐阳，登成，冯铮，严俊池，刘伟。使用双自动编码器网络的深度谱聚类。在IEEE/CVF计算机视觉和模式识别会议上，第4066-4075页联系我们https://www.mturk的网站。1328[32] M. Yankoski，W. Theisen，E. Verdeja和W. J. Scheirer人工智能促进和平：大规模暴力的预警系统Towards anInternational Political Economy of Artificial Intelligence，第147-175页[33] 是的，查德。是的，乍得。[34] Kwang Moo Yi ， Eduard Trulls ，Vincent Lepetit， andPascal Fua. LIFT：学习不变特征变换。欧洲计算机视觉会议，第467-483页[35] S. Zanneettou，T.考菲尔德J.Blackburn、E.D. 克里斯托法罗，M.阿维尼翁湾Stringhini和G.苏亚雷斯-坦吉尔论模因的起源--以边缘网络社群为例。在ACM互联网测量会议，2018年。[36] Junjie Zhao，Donghuan Lu，Kai Ma，Yu Zhang，andYefeng Zheng.具有类别风格表示的深度图像聚类。在欧洲计算机视觉会议上，第54-70页https://knowyourmeme.com/memes/
我的内容管理
展开
