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
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 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
使用神经网络结合深度学习的方式,针对多标签图像,提出了一种能够保持多层语义相似度的哈希函数学习方法,并在多标签图像数据集上的排名评估中证明了该方法的优越性。
Jan, 2015
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
本研究提出了一种有效的方法,以保留完整语义层次结构的类别相似性,以提高大规模图像检索的精细级别性能并生成更好的二进制代码。
Jan, 2019
本文提出了一种基于三元组标签的深度哈希方法,通过最大化给定三元组标签的可能性,同时实现图像特征学习和哈希码学习,相比于传统哈希方法和基于成对标签的深度哈希方法 (DPSH), 在 CIFAR-10 和 NUS-WIDE 数据集上实现了更好的性能。
Dec, 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