本文提出了一种使用神经网络学习二进制哈希码来解决图像检索问题的算法,在无监督和监督学习模式下,通过约束其中一层直接输出二进制哈希码并融入独立性、均衡性和相似性:在学习过程中同时提取视觉特征和生成二进制哈希码,并通过交替优化和谨慎的放松来解决优化中的难点,实验表明本文提出的方法在基准数据集上表现优异。
Dec, 2017
本文提出一种基于深度学习的监督离散哈希算法,利用分类信息和成对标签信息在单流框架中学习哈希码,并通过交替最小化方法进行优化,实验结果表明该方法在基准数据集上优于当前最先进的方法。
May, 2017
HashNet 是一种基于连续化方法具有收敛保证的新型深度学习哈希结构,它从不平衡的相似性数据中学习准确的二进制哈希码,在标准测试中可产生最先进的多媒体检索性能。
Feb, 2017
本文提出了一种简单而有效的有监督深度哈希方法,构建了来自标记数据的二进制哈希代码,用于大规模图像搜索,在此基础上,哈希函数作为深度网络中的一个潜在层得到构建,最小化分类错误和其他理想哈希代码属性上的目标函数,以实现联合学习的图像表示,哈希代码和分类,从而可应用于大规模数据集。
Jul, 2015
本文提出了一种名为 BWNH 的新方法,旨在通过哈希训练二进制权重网络,以实现高效的网络推理。实验证明,该方法在 CIFAR10、CIFAR100 和 ImageNet 数据集上的性能均优于当前状态 - of-the-art 方法。
Feb, 2018
本文提出一种新的算法,该算法同时执行特征工程和非线性监督哈希函数学习,使用预训练和指数哈希损失函数,实现了有效的梯度计算和传播,并在数个广泛使用的图像基准测试中实现了全面的定量评估。实验结果表明,我们的算法明显优于所有现有的最先进的竞争对手,特别是在 MNIST 数据集上实现了近乎完美的 0.99 和 CIFAR10 数据集上的 0.74 的新记录。
Aug, 2016
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
本文提出一种简单的分类目标方法,仅在任意骨干网络的顶部附加两个全连接层,遵守训练期间的二进制约束条件,以此为基础流行实现二进制表示学习和哈希模型的任务,其可以有效地探索数据语义而不需要辅助模型,从而在 CIFAR-10、NUS-WIDE 和 ImageNet 的评测数据上优于现有技术。
Aug, 2019
本文介绍了一种无监督深度哈希层称为 Bi-half Net,该层利用熵最大化的方法学习高效的二进制代码,并通过新的解耦设计对图像特征进行优化以逼近最优的半半比特分布,实验证明该方法在多个数据集上具有优秀的性能。
Dec, 2020
本文通过将标签信息纳入模型的训练,将原始的自动编码双瓶颈哈希模型推广为一种有监督的深度哈希网络,着重考虑多标签数据集中的类不平衡问题,并在三个数据集上进行实验,取得了显著的提高。
Jun, 2023