Jan, 2019

维护语义层次的大规模图像检索深度哈希

PDF
TL;DR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。
deep hashing modelslarge-scale similarity searchsemantic hierarchy structureimage retrievalhierarchical retrieval
发现论文，激发创造
  • 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

  • 基于层次结构的视觉和语义相似度融合图像检索

    提出了一种基于内容的图像检索方法，通过构建视觉层次结构来捕捉视觉和语义的相似性，将其融合到相似度搜索的距离计算度量中，实验证明该方法在图像检索方面具有优越性能。

    Aug, 2023

  • 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

  • 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

  • 基于层级结构的图像嵌入方法用于语义图像检索

    该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法，从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100，NABirds 和 ImageNet 上，学习到的图像嵌入大大提高了图像检索结果的语义一致性。

    Sep, 2018

  • 使用软对比相似度提高多标签图像检索的深度哈希

    本文提出了一种新的深度哈希方法，通过将成对相似性重新定义为实例相似性，基于实例相似性，构造了加权交叉熵和最小均方误差损失，用于同时学习特征和哈希编码，实验表明，这种方法优于竞争方法，在多标签图像检索中实现了最先进的性能。

    Mar, 2018

  • 多标签图像检索的实例感知哈希

    本文介绍了一种基于深度神经网络和实例感知图像表示的图像哈希方法，旨在解决多标签图像检索中单哈希码表示的不足，并在多个基准数据集上进行了广泛评估，证明了该方法可以显著提高语义哈希和类别感知哈希的检索性能。

    Mar, 2016

  • 无监督语义深度哈希

    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

  • 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

  • 联合层次结构学习和大规模图像分类

    本文介绍了一种基于层次化视觉数据结构的图像分类方法，该方法利用层次聚类创建了可变长度的视觉树，从而更准确地进行分类。该方法在 ILSVRC2010 和 Caltech 256 基准数据集上获得了显著更好的分类准确率。

    Sep, 2017