Apr, 2019

三元组深度哈希网络用于跨模态检索

PDF
TL;DR本文提出一种基于三元组的深度哈希网络（TDH），用于跨模态检索，并在哈希空间中引入图形正则化，以保留哈希码的原始语义相似性，实验结果表明，我们提出的方法优于几种现有的交叉模态数据集上的最新方法。
hashingcross-modal retrievaltriplet-based deep hashingsemantic correlationsgraph regularization
发现论文，激发创造
  • 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

  • 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

  • 基于 Ranking 的深度交叉模态哈希

    本文提出了一种基于排序的深度跨模态哈希方法（RDCMH），用于多模态数据检索，通过将深度学习和排序信息相结合来解决多标签数据检索的问题，并在真实数据集上进行了实验，证明该方法在跨模态检索方面比其他竞争基线表现更好，并取得了最先进的性能。

    May, 2019

  • 用于高效跨模式检索的相关哈希网络

    本论文提出了一种新的跨模式哈希方法，通过联合学习数据特征和量化误差控制实现高质量哈希编码，并在标准测试中表现良好。

    Feb, 2016

  • 跨模态哈希深度二进制重构

    本研究提出了一种基于深度学习的无监督二元建模网络，称为 Deep Binary Reconstruction（DBRC），采用 Adaptive Tanh（ATanh）作为激活函数，从而能够通过交叉模态检索任务学习到最佳的二元哈希码。实验结果表明，DBRC 在图像到文本和文本到图像的检索任务中优于其他先进方法。

    Aug, 2017

  • 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

  • 多模态相似性保持哈希

    提出了一种高效的计算框架，用于将多模式数据散列成单一表示空间，使它们可以相互比较。该方法基于一种新的耦合孪生神经网络架构，并允许统一处理内部和跨模态相似性学习。与现有的跨模态相似性学习方法不同，我们的散列函数不仅限于二值化线性投影，并且可以呈现出任意复杂的形式。实验表明，该方法在多媒体检索任务中显著优于现有的散列方法。

    Jul, 2012

  • Deep Binaries: 对话 - 视觉跨检索中编码语义丰富线索的有效方法

    本文提出了一种名为文本视觉深度二进制编码（TVDB）的方法，该方法利用区域卷积网络和文本卷积网络来分别探索图像的区域细节和句子的语义线索，通过交替优化来高效地优化二进制编码和深层编码函数，实验证明此方法能够显著提高跨模态检索的性能。

    Aug, 2017

  • MTFH: 一种用于高效跨模态检索的矩阵三因子哈希框架

    本研究提出了一种广义且灵活的跨模态哈希框架，称为矩阵三因子哈希（MTFH），用于各种挑战性的跨模态检索任务，利用一个有效的目标函数来学习具有不同长度设置的模态特定哈希代码，同时同步学习两个语义相关矩阵来语义地相关异构数据的不同哈希表示，从而产生对各种挑战性跨模态检索任务更有语义意义的哈希代码，在公共基准数据集上的大量实验验证了 MTFH 在各种检索场景下的优越性。

    May, 2018