快速监督离散哈希
本文提出了一种基于学习的哈希方法,称为 “带松弛的监督离散哈希”(SDHR),它在传统监督离散哈希的基础上优化了回归目标矩阵,并满足每个示例的正确分类的大边界约束。SDHR 相对于传统的离散哈希方法具有更高的分类精度和更好的灵活性,并在图像和人脸数据集上得到了有效和高效的结果。
Apr, 2019
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
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
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
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
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
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
本研究提出一种基于相似度分布的在线哈希方法 (SDOH),采用高斯归一化处理来解决极不平衡分布问题并通过最小化 KL 散度来对齐相似度分布,最后在三个广泛使用的基准测试中验证了该方法的优越性。
May, 2019
本文提出了一种新的在线图像哈希方案,称为快速类内更新在线哈希(FCOH),采用了一种全新且高效的内积运算,通过引入类内更新方法及半松弛优化,提高在线适应性并加快训练速度,同时通过实验证明与多种最先进方法相比能够提供卓越的性能。
Dec, 2020