深度监督离散哈希
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 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
本文提出了一种使用神经网络学习二进制哈希码来解决图像检索问题的算法,在无监督和监督学习模式下,通过约束其中一层直接输出二进制哈希码并融入独立性、均衡性和相似性:在学习过程中同时提取视觉特征和生成二进制哈希码,并通过交替优化和谨慎的放松来解决优化中的难点,实验表明本文提出的方法在基准数据集上表现优异。
Dec, 2017
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
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