Jul, 2012

多模态相似性保持哈希

PDF
TL;DR提出了一种高效的计算框架，用于将多模式数据散列成单一表示空间，使它们可以相互比较。该方法基于一种新的耦合孪生神经网络架构，并允许统一处理内部和跨模态相似性学习。与现有的跨模态相似性学习方法不同，我们的散列函数不仅限于二值化线性投影，并且可以呈现出任意复杂的形式。实验表明，该方法在多媒体检索任务中显著优于现有的散列方法。
发现论文，激发创造
  • 异构多媒体检索的传递哈希网络

    本文提出了一种用于跨模态信息检索的混合深度架构，通过在辅助数据集中同时学习跨模态相关性和对齐数据集分布，生成异质多媒体检索的中间哈希代码，实验结果在公共数据集上表现为业内最先进的多媒体检索性能。

    Aug, 2016

  • 多模态相似性学习

    本文提出了一种基于多核学习以及基于图的过滤技术的方法，将多媒体数据中的多种模态融合到单一的相似度空间中，以解决多媒体数据中的主观问题和不一致问题。

    Aug, 2010

  • 三元组深度哈希网络用于跨模态检索

    本文提出一种基于三元组的深度哈希网络（TDH），用于跨模态检索，并在哈希空间中引入图形正则化，以保留哈希码的原始语义相似性，实验结果表明，我们提出的方法优于几种现有的交叉模态数据集上的最新方法。

    Apr, 2019

  • 高效多模态检索的组合相关量化

    本文提出了一种新的复合相关量化（CCQ）模型，通过最大化相关性的映射，将不同模态嵌入到连续的同构空间中，并同时学习复合量化器，将同构潜在特征转换为紧凑的二进制码，以实现高效的相似性检索。实验证明，CCQ 模型优于现有的哈希方法，可用于单模态和跨模态检索。

    Apr, 2015

  • 保持语义领域对稳健跨模态检索的影响

    本篇研究提出了一种方法，使用特定的 loss 函数，在保持图像和文本子空间内的语义连贯性的同时鼓励它们之间的语义协同，并改进了基线模型，以实现跨模态检索。

    Jul, 2020

  • 深度多视图增强哈希用于图像检索

    本文中提出了一种结合多视角和深度学习的、能够显著提高哈希检索性能的新型多视角哈希模型，该模型在 CIFAR-10、NUS-WIDE 和 MS-COCO 数据集上系统地评估，结果表明本方法明显优于现有的单视角和多视角哈希方法。

    Feb, 2020

  • 深度跨模态哈希

    本文提出了一种名为深度跨模态哈希（DCMH）的方法，通过将特征学习和哈希码学习整合到同一框架中来解决现有跨模态哈希方法中手工制作的特征与哈希码学习程序不兼容的问题，并使用基于神经网络的端到端学习方法，取得了在跨模态检索中的最优性能。

    Feb, 2016

  • 跨模态相似性搜索的协作量化

    本文给出了一种紧凑的编码方案，使用量化方法实现跨模态搜索，通过联合学习图像和文本的量化器来实现。经过实验证明，该方法在三个基准数据集上实现了最先进的性能表现。

    Feb, 2019

  • 基于深度语义排名的多标签图像检索哈希

    使用神经网络结合深度学习的方式，针对多标签图像，提出了一种能够保持多层语义相似度的哈希函数学习方法，并在多标签图像数据集上的排名评估中证明了该方法的优越性。

    Jan, 2015

  • 深度神经网络中的同时特征学习与哈希编码

    本文提出了一种深度学习结构的监督哈希方法，其中图像通过经过精心设计的卷积神经网络映射为二进制代码，通过三个构建模块的流水线过程（卷积子网络，划分编码模块和三元组排序损失），实现最近邻搜索的高效率和精确度。

    Apr, 2015