隨著移動互聯網和物聯網的發展，海量數據正在發生爆發式增長，從大規模數據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下的信息，在大規模圖像視頻數據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，由於光照、視角、遮擋等外部因素和物體本身的形變、類別多樣性等內部因素的共同影響，圖像在不同層次上存在復雜的表像變化。除此之外，示例、圖像和標簽之間的層次關聯繁雜多樣，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，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絡模型為基礎，從模型表示、模型學習和關聯匹配幾個方面進行擴展和完善。

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

 （2）針對基於深度卷積網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，提出了一種基於排序的深度卷積網絡，用於建模物體的類內和類間差異性。為了訓練這個網絡，設計了一種半監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，並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督條件下的圖像標注和物體定位問題。首先，在現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。改進後的策略能夠收集準確多樣的正樣本以及有區分性的負樣本，從而提高前背景的區分性。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。後，通過對示例標注和圖像標注進行關聯，從而通過一個模型聯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，本書介紹了一種基於顯著性的深度特征模型，改善基於矩形框的物體特征表示。顯著性模型使得矩形框內背景區域的特征響應被抑制，而前景中重要的視覺區域的特征激活得到增強。這樣的特征表示模型使得前景區域和背景區域的類內差異變小，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督物體檢測模型融合，從而進行端到端的聯合訓練。這一方法的可靠性在多個數據集上得到了驗證。