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
本论文提出了一种新的跨模式哈希方法,通过联合学习数据特征和量化误差控制实现高质量哈希编码,并在标准测试中表现良好。
Feb, 2016
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
本文提出了一种新的深度生成式方法,通过循环一致性损失来学习哈希函数,实现无成对训练样本的跨模态检索,该方法利用对抗训练来学习一组哈希函数,从而实现不同模态之间的转换,并进一步提出循环一致性损失来构造具有语义的哈希码,从而在大规模跨模态数据集上实现更好的检索结果。
Apr, 2018
本文提出了一种创新的深度生命周期跨模式哈希方法,通过直接训练增量数据以更新哈希函数,设计生命周期学习策略以代替重复训练哈希函数,引入多标签语义相似性来监督哈希方法学习,并在基准数据集上进行实验验证,结果显示,该方法具有相对于最新的交叉模型哈希法更好的性能和对连续新数据的快速适应性。
Apr, 2023
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。
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