本文提出了一种名为 deep pairwise-supervised hashing (DPSH) 的深度哈希方法,旨在为具有成对标签的应用程序执行同时特征学习和哈希码学习。 实验表明,我们的 DPSH 方法可以胜过其他方法,在图像检索应用中实现最先进的性能。
Nov, 2015
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
本文提出了一种新的深度哈希方法,称为监督分层深度哈希(SHDH),该方法在层次化分类数据的哈希编码学习方面优于现有方法,设计了一种新的相似度公式和深度卷积神经网络来实现图像检索任务。
Apr, 2017
本文主要介绍了一种基于卷积神经网络的无监督哈希方法,它对于大规模图像检索任务具有较高的检索准确率。
Feb, 2017
本文提出了一种名为 Deep Discrete Supervised Hashing (DDSH) 的新型深度哈希方法,它是第一个可以利用监督信息直接引导离散编码过程和深度特征学习过程的深度哈希方法,从而增强这两个重要过程之间的反馈,并在图像检索任务中胜过其他基线算法。
Jul, 2017
本文提出一种半监督的深度哈希方法,通过同时保留语义相似性和基础数据结构来更有效地学习哈希函数。实验结果表明,该方法在 5 个常用数据集上优于现有的哈希方法。
Jul, 2016
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
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
本文旨在详细研究包括深度监督哈希与深度无监督哈希在内的深度哈希算法,并探讨半监督深哈希、域自适应深哈希和多模态深哈希等相关重要主题,同时介绍公共数据集和深哈希算法性能的评估方法,并提出潜在的研究方向。
Mar, 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