Jan, 2017

深度区域哈希用于大规模图像实例搜索的高效方法

PDF
TL;DR本研究提出了一种基于深层区域哈希的实例搜索方法，通过神经网络将物体检索、特征提取和哈希代码生成整合为一个系统以提高效率并应用于大规模数据集上，实验表明 DRH 可以比现有技术更高效和达到更好的 MAP 值。
instance searchdeep region hashinglarge-scale datasetsneural networkefficient
发现论文，激发创造
  • 无监督语义深度哈希

    本文提出了一种名为无监督语义深度哈希（USDH）的新型无监督深度哈希方法，使用卷积神经网络学习特征和哈希码，并利用 CNN 特征层中保留的语义信息来指导网络训练。在 CIFAR-10，NUSWIDE 和 Oxford 17 数据集上进行了广泛实验，结果表明 USDH 相较于其他无监督哈希方法更加有效。

    Mar, 2018

  • 利用高分辨率特征优化基于深度哈希的图像检索

    深度哈希技术利用高分辨率特征提取的高分辨率哈希网络（HHNet）在复杂数据集上显示出优于现有方法的性能提升，强调了在复杂图像检索任务中学习高分辨率特征的必要性。

    Mar, 2024

  • DeepHash: 正确实现正则化、深度和微调

    本研究提出了一种基于深度网络的二进制哈希方案 DeepHash，可以将全局图像描述符表示为非常紧凑的 64-1024 位哈希码，能够实现在极低位速率下进行实例检索，在多数据集上均优于现有方案，能够实现 512 倍的压缩。

    Jan, 2015

  • HyperNet：准确区域提议生成与联合目标检测

    本文提出了深层分层网络 HyperNet，以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征，将图像的深层、中间和浅层特征结合在一起，实现了端到端的联合训练策略，并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。

    Apr, 2016

  • 基于部件的深度哈希用于大规模人员再识别

    本文提出了一种基于深度学习和哈希的方法来实现大规模人员重识别，并通过将行人图像进行水平分割的方式来集成空间信息，采用三元组损失函数来约束损失，并在大规模数据集上进行了竞争性测试，取得了很好的实验结果。

    May, 2017

  • 用于快速检索射电图像数据的深度监督哈希

    利用深度哈希方法在天文学领域快速搜索相似的无线电图像，并在大规模上高效地检索。

    Sep, 2023

  • 深度优先哈希

    深度优先哈希（DPH）是一种基于贝叶斯学习框架的端到端体系结构，其通过重新调整标准交叉熵损失来优先处理训练数据中的不确定对，以生成高质量的哈希码，并在 ImageNet、NUS-WIDE 和 MS-COCO 三个数据集上取得了最先进的图像检索结果。

    Sep, 2018

  • 空间感知图像检索：一种用于高效相似哈希的超维度计算方法

    我们提出了一种创新的图像哈希方法 NeuroHash，它利用高维计算将空间信息符号编码为高维向量，从而实现空间感知有条件的图像检索。我们的方法将预训练的大型视觉模型与 HDC 操作相结合，实现了空间编码的特征表示。基于局部敏感哈希（LSH）的哈希技术确保了快速高效的图像检索，评估结果显示了图像哈希方法的新进展，提高了检索准确性。

    Apr, 2024

  • 基于正则化相似度学习的可扩展深度哈希用于图像检索和个体重新识别

    本研究提出了一种监督学习框架，直接从原始图像中生成紧凑且可扩展的哈希编码，通过使用三元组样本最大化匹配对与不匹配对在汉明空间中的边界，并同时优化图像特征和哈希函数，从而在实际应用中更具有灵活性和更高的性能。

    Aug, 2015

  • 深度神经网络中的同时特征学习与哈希编码

    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