用于高效跨模式检索的相关哈希网络
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
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
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
提出了一种基于生成对抗网络的无监督交叉模态哈希方法,可以学习到有效的公共表示和可靠的哈希码,实现了高效的跨模态检索。三个流行的基准数据集上的实验结果表明,该方法优于现有的无监督交叉模态哈希方法。
Mar, 2019
本文提出了一种新的端到端的深层交叉模态哈希方法 (DCHUC),通过迭代优化算法学习图像 - 文本对的统一哈希码和一对哈希函数,并使用所学的统一哈希码来指导哈希函数的学习,同时学习到的哈希函数也可以反馈指导统一哈希码的优化过程。实验结果表明,该方法优于现有的交叉模态哈希方法。
Jul, 2019
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
该论文提出了 Cross-modal Hybrid Transfer Network (CHTN),包含两个子网络:Modal-sharing transfer subnetwork 和 Layer-sharing correlation subnetwork,用于在不同模态之间进行知识迁移和跨模态检索。
Jun, 2017
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。
Jul, 2012
本研究提出了一种基于深度学习的无监督二元建模网络,称为 Deep Binary Reconstruction(DBRC),采用 Adaptive Tanh(ATanh)作为激活函数,从而能够通过交叉模态检索任务学习到最佳的二元哈希码。实验结果表明,DBRC 在图像到文本和文本到图像的检索任务中优于其他先进方法。
Aug, 2017
本文提出了一个无监督生成式对抗跨模态哈希 (UAGCH) 方法,该方法使用生成式对抗网络来学习跨模态哈希的哈希函数,并利用相关图来捕捉不同模态间的流形结构,从而实现快速且灵活的检索。与 6 种最先进的方法的实验结果证实,提出的方法具有很高的检索准确性。
Dec, 2017