二进制深度神经网络压缩哈希码学习
这篇论文提出了一种深度网络模型和学习算法,用于无监督和监督二进制哈希,通过约束单个隐藏层直接输出二进制代码,并在学习中严格考虑独立性和平衡性,以及相似性保持属性,从而在三个基准数据集上比先前方法表现更佳。
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
HashNet 是一种基于连续化方法具有收敛保证的新型深度学习哈希结构,它从不平衡的相似性数据中学习准确的二进制哈希码,在标准测试中可产生最先进的多媒体检索性能。
Feb, 2017
本文提出一种简单的分类目标方法,仅在任意骨干网络的顶部附加两个全连接层,遵守训练期间的二进制约束条件,以此为基础流行实现二进制表示学习和哈希模型的任务,其可以有效地探索数据语义而不需要辅助模型,从而在 CIFAR-10、NUS-WIDE 和 ImageNet 的评测数据上优于现有技术。
Aug, 2019
本文针对图像检索任务,提出一种从图像到二进制码的压缩映射方法,使用三元组损失函数进行训练,并通过多标签分类问题和深度卷积神经网络实现高维二进制码的学习,从而实现高效的图像检索。
Mar, 2016
本文提出了一种名为 BWNH 的新方法,旨在通过哈希训练二进制权重网络,以实现高效的网络推理。实验证明,该方法在 CIFAR10、CIFAR100 和 ImageNet 数据集上的性能均优于当前状态 - of-the-art 方法。
Feb, 2018
本研究提出了一种基于深度卷积神经网络实现的、有监督且压缩的、结构化二进制编码的方法。通过使用块 softmax 非线性和基于批次的熵损失,本方法可以使学习到的编码具有结构性,并在单一和交叉领域分类、实例检索和类别检索等任务中,表现出比基于深度哈希或结构化量化的现有压缩表示更好的性能。
Aug, 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