AAAIDec, 2017

无监督生成对抗跨模态哈希

PDF
TL;DR本文提出了一个无监督生成式对抗跨模态哈希 (UAGCH) 方法，该方法使用生成式对抗网络来学习跨模态哈希的哈希函数，并利用相关图来捕捉不同模态间的流形结构，从而实现快速且灵活的检索。与 6 种最先进的方法的实验结果证实，提出的方法具有很高的检索准确性。
cross-modal hashingunsupervised generative adversarialhashing function learningmanifold structurecorrelation graph
发现论文，激发创造
  • 联合 CycleGAN: 用于跨模态检索的无监督哈希网络

    提出了一种基于生成对抗网络的无监督交叉模态哈希方法，可以学习到有效的公共表示和可靠的哈希码，实现了高效的跨模态检索。三个流行的基准数据集上的实验结果表明，该方法优于现有的无监督交叉模态哈希方法。

    Mar, 2019

  • HashGAN: 基于注意力机制的深度对抗哈希用于跨模态检索

    提出了一种采用对抗生成网络和注意力机制进行深度跨模态哈希的方法，以增强多模态数据的内容相似度，同时在多个基准数据集上进行广泛评估并取得了良好的性能表现。

    Nov, 2017

  • 跨模态检索的自监督对抗性哈希网络

    本文提出一种自监督的对抗哈希（SSAH）方法，利用两个对抗网络和自监督语义网络，最大化不同模态之间的语义相关性和一致性，并在三个基准数据集上验证了其优越性。

    Apr, 2018

  • 循环一致性深度生成哈希用于跨模态检索

    本文提出了一种新的深度生成式方法，通过循环一致性损失来学习哈希函数，实现无成对训练样本的跨模态检索，该方法利用对抗训练来学习一组哈希函数，从而实现不同模态之间的转换，并进一步提出循环一致性损失来构造具有语义的哈希码，从而在大规模跨模态数据集上实现更好的检索结果。

    Apr, 2018

  • 深层交叉模态哈希：通过哈希函数和统一哈希编码共同学习

    本文提出了一种新的端到端的深层交叉模态哈希方法 (DCHUC)，通过迭代优化算法学习图像 - 文本对的统一哈希码和一对哈希函数，并使用所学的统一哈希码来指导哈希函数的学习，同时学习到的哈希函数也可以反馈指导统一哈希码的优化过程。实验结果表明，该方法优于现有的交叉模态哈希方法。

    Jul, 2019

  • 从无到有：用无监督知识蒸馏实现跨模态哈希

    本文提出了一种新的方法，通过使用无监督方法产生的输出来指导监督方法，具体来说，使用师生优化来传播知识，在两个流行的 CMH 基准数据集 MIRFlickr 和 NUS-WIDE 上进行了实验，结果表明我们的方法大大优于所有现有的无监督方法。

    Apr, 2020

  • 深度流形哈希：一种用于半成对无监督跨模态检索的分治方法

    本论文提出了一种新方法 Deep Manifold Hashing (DMH)，通过基于流形学习的半配对数据来获取模态不变的特征，并构建三个子模型，分别学习哈希编码和哈希函数，解决了现有跨模态哈希方法在数据严重不平衡情况下的性能问题，并在三个基准测试上证明了其优越性。

    Sep, 2022

  • CM-GANs: 跨模态生成对抗网络用于共同表示学习

    本研究提出了跨模态生成对抗网络 (Cross-modal GANs) 来建模不同模态数据的联合分布并学习判别式公共表征以弥合异质性差距。实验证明，与其他 10 种方法相比，我们的方法在跨模态检索范式上表现出更好的性能。

    Oct, 2017

  • 异构多媒体检索的传递哈希网络

    本文提出了一种用于跨模态信息检索的混合深度架构，通过在辅助数据集中同时学习跨模态相关性和对齐数据集分布，生成异质多媒体检索的中间哈希代码，实验结果在公共数据集上表现为业内最先进的多媒体检索性能。

    Aug, 2016

  • 深度跨模态哈希

    本文提出了一种名为深度跨模态哈希（DCMH）的方法，通过将特征学习和哈希码学习整合到同一框架中来解决现有跨模态哈希方法中手工制作的特征与哈希码学习程序不兼容的问题，并使用基于神经网络的端到端学习方法，取得了在跨模态检索中的最优性能。

    Feb, 2016