AAAINov, 2016

有序约束二进制编码学习用于最近邻搜索

PDF
TL;DR该研究提出了一种新的哈希方法，名为 Ordinal Constraint Hashing（OCH），其使用基于图的近似来嵌入排序关系，并通过排序级数约束投影减少排序图的大小。此外，该方法还通过松散约束和特定的随机梯度下降算法来有效地学习这些哈希函数。实验表明，OCH 方法在三个大规模的视觉搜索基准数据集上具有优异的性能。
binary code learningranking-based hashingordinal constraint projectionstochastic gradient descent algorithmnearest neighbor search
发现论文，激发创造
  • 三元组深度二进制嵌入网络的快速训练

    本文针对图像检索任务，提出一种从图像到二进制码的压缩映射方法，使用三元组损失函数进行训练，并通过多标签分类问题和深度卷积神经网络实现高维二进制码的学习，从而实现高效的图像检索。

    Mar, 2016

  • 哈希作为关键词感知的学习排名策略

    本文讨论了利用哈希生成数据二进制编码进行近邻检索的学习排名公式，旨在直接优化基于排名的评估指标，例如平均精度（AP）和标准化折扣累积增益（NDCG）。文章首先观察到，整数值哈明距离通常导致绑定的排名，并建议使用绑定的 AP 和 NDCG 版本来评估哈希检索。为了优化绑定排名指标，我们推导了它们的连续松弛，然后使用深度神经网络进行基于梯度的优化。结果，我们在常见基准测试中建立了图像检索的新领域。

    May, 2017

  • 列生成的二进制码结构化学习

    本文提出了基于列生成的二进制哈希函数学习框架，通过拥有编码成对相似性比较信息的三元组集合，学习哈希函数来在大边缘学习框架内保留相对比较关系，此方法可以直接优化 AUC 和 NDCG 等多变量性能度量。作者使用列生成和割平面技术来解决优化问题，并提出了一种简化的 NDCG 损失用于有效推理。通过应用于排名预测和图像检索，实验表明，该方法优于一些最先进的哈希方法。

    Feb, 2016

  • 多标记投影下快速在线哈希

    本文介绍了一种基于动态哈希思想的在线哈希方法，该方法可以更快地进行最近邻搜索，并考虑了多标签数据的监督关系，实现了高效的响应时间。

    Dec, 2022

  • 具有空间注意力的深度序列哈希

    本文提出了一种新的深度序列哈希方法，通过利用特征空间的排名结构从局部和全局视图中学习序数表示来学习哈希函数，并且重点处理空间局部信息，并在全局语义信息中进行相应地建立排名结构。

    May, 2018

  • 自适应层次聚类使用顺序查询

    本文研究使用有序查询主动学习层次聚类，当有噪声存在时，设计了自适应算法，证明了在最坏情况下每个非自适应算法需要 Ω（n³）序数查询。

    Aug, 2017

  • 可定量表达的高效端到端学习

    通过神经网络进行嵌入表示学习是现代基于相似性的搜索的核心基础。该研究旨在直接学习可量化的嵌入表示和稀疏二进制哈希码，从而实现构建高效哈希表，提供显著的搜索数据减少和超越以往的度量学习方法的最新搜索准确性。

    May, 2018

  • 使用图割和增强决策树的监督哈希

    本文介绍了一种灵活而简单的框架，该框架可以容纳不同类型的损失函数和哈希函数，并可将现有方法放在上下文中，并简化了新问题特定哈希方法的开发。我们提出了一个具有 Hash 编码和 Hash 函数学习两个步骤的框架，其中前一步通常可以被表述为二次问题，而后一步则可以用训练标准的二元分类器来完成。实验表明，我们的方法在高维数据上比大多数最先进的方法表现显著优越。

    Aug, 2014

  • 稀疏相似性保持哈希

    本研究提出使用 feed-forward 神经网络来实现稀疏高维哈希码，并且通过对视觉和多模态数据的实验评估表明该方法具有显著的优势。

    Dec, 2013

  • 有序嵌入的有限样本预测和恢复界限

    本文研究基于距离比较的序列嵌入问题，考虑给定的限制条件因人类判断而产生误差和变异性，提出了新的算法来预测和优化嵌入结果。

    Jun, 2016