提出了一种名为 THPI 的新框架,其中将 Iterative Quantization (ITQ) 扩展为一种转移学习方式,即 ITQ +,通过利用辅助数据学习新的松弛函数,来处理哈希中的数据稀疏问题,并使用交替优化方法进行求解。通过在几个基准数据集上的广泛实验,通过与几种基准的先进方法进行比较,验证了所提出方法的有效性。
May, 2016
本文针对单一领域哈希函数无法适应新领域的问题,提出了一个端到端的领域自适应学习框架,将两个域映射到共同的语义空间,并同时生成判别性的哈希码和分类目标域图像。通过两个独立的生成对抗网络跨向重构两个域的图像,减少域的差异,提高共享空间的对齐度,实现领域自适应。实验结果表明,我们的方法在目标识别和图像检索任务上优于其他最先进的方法,适用于公共基准数据集。
Jul, 2019
本文提出了一种新的深度学习框架,利用来源数据和目标数据来学习信息性哈希码,以解决领域自适应问题,并在多个转移任务中进行广泛实证研究,证实了该框架在学习高效哈希码方面的实用性。
Jun, 2017
本文提出了一种名为无样本哈希(ZSH)的新型哈希方案,可以将 “看不见” 类别的图像压缩成二进制码,并从 “可见” 类别的有限训练数据中学习哈希函数。通过将独立的数据标签投影到语义嵌入空间中,可以精确表征所有标签的语义关系,并且可以将可见有监督知识转移给不可见类别。同时,通过旋转嵌入空间来更适当地对齐嵌入语义和低级视觉特征空间,缓解语义差的影响。此外,我们进一步提出保留二进制码中的局部结构属性和离散性质的方法,并开发了一种有效的交替算法来解决 ZSH 模型。在各种真实数据集上进行的大量实验表明,与几种最先进的哈希方法相比,ZSH 具有卓越的零样本图像检索性能。
Jun, 2016
本文提出了用于假设转移学习(HTL)的一种基于算法的新型框架,通过变换函数对源域和目标域之间的关系进行表征及风险分析,首次证明了,如果两个域之间存在关系,则 HTL 对于 Kernel Smoothing 和 Kernel Ridge Regression 的超额风险收敛速度比经典的非转移学习设定更快,实验结果表明了本框架的有效性。
Dec, 2016
本文提出使用图像检索系统辅助图像翻译,从而生成更高质量的图片,实验结果表明该方案是有效的。
Aug, 2020
本论文提出了一种基于最小描述长度原则的生成式二元哈希学习方法,通过随机分布梯度基于优化哈希函数及关联生成模型的参数,以实现对海量数据库的快速搜索与检索。实验结果表明,该方法在多种大规模数据集上实现了比现有最先进方法更好的检索结果。
Jan, 2017
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
本研究提出了一种贝叶斯迁移学习框架,该框架利用源域和目标域之间的联合先验密度,定义高斯特征 - 标签分布的精度矩阵的联合 Wishart 密度作为一种转移有用信息的桥梁,提高了目标区域的分类性能。该方法是一种快速、基于闭式形式的最优贝叶斯迁移学习分类器,实验证明了其性能优于其他最先进的迁移学习和域适应方法。
Jan, 2018
本文介绍了一种灵活而简单的框架,该框架可以容纳不同类型的损失函数和哈希函数,并可将现有方法放在上下文中,并简化了新问题特定哈希方法的开发。我们提出了一个具有 Hash 编码和 Hash 函数学习两个步骤的框架,其中前一步通常可以被表述为二次问题,而后一步则可以用训练标准的二元分类器来完成。实验表明,我们的方法在高维数据上比大多数最先进的方法表现显著优越。
Aug, 2014