无监督语义深度哈希

Mar, 2018

Unsupervised Semantic Deep Hashing

Sheng Jin

TL;DR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。

Abstract

In recent years, deep hashing methods have been proved to be efficient since it employs convolutional neural network to learn features and hashing codes simultaneously. However, these methods are mostly supervised. In real-world application, it is a time-consuming and overloaded task f

deep hashing unsupervised learning image retrieval semantic information vgg-19 model

发现论文，激发创造

通过深度卷积神经网络监督学习保持语义的哈希

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

SSDH：大规模图像检索的半监督深度哈希

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

用于层次标记数据的监督深度散列

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

深度监督离散哈希

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

无监督三元组哈希用于快速图像检索

本文主要介绍了一种基于卷积神经网络的无监督哈希方法，它对于大规模图像检索任务具有较高的检索准确率。

Feb, 2017

深度离散监督哈希

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

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

具有语义不变结构的深度协作离散哈希

本文提出了一种双流学习框架，称为深度协作离散哈希（DCDH），该框架通过协同地将视觉特征和语义标签中的共享和个人语义合并，构建了一种判别性离散空间，从而生成上下文感知表示，再通过联合学习视觉表示和语言，添加标签重构和中心焦点损失以建立共同的二进制编码空间。大量实验证明了该方法的优越性。

Nov, 2019

基于特征学习的深度监督哈希与成对标签

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

基于深度语义排名的多标签图像检索哈希

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