May, 2019

DistillHash：无监督深度哈希，通过蒸馏数据对

PDF
TL;DR提出了一种新颖的深度无监督哈希模型 DistillHash，在信任相似信号的数据对中进行蒸馏，并采用贝叶斯学习框架从蒸馏的数据集中学习哈希函数，实验结果显示 DistillHash 达到了最先进的搜索性能。
deep unsupervised hashingsimilarity searchdistillhashbayesian learningstate-of-the-art search performance
发现论文，激发创造
  • 深度哈希方法综述

    本文旨在详细研究包括深度监督哈希与深度无监督哈希在内的深度哈希算法，并探讨半监督深哈希、域自适应深哈希和多模态深哈希等相关重要主题，同时介绍公共数据集和深哈希算法性能的评估方法，并提出潜在的研究方向。

    Mar, 2020

  • 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

  • 图像检索的深层哈希蒸馏

    本文提出了一种基于数据增强的哈希检索方法，通过自我蒸馏来最小化哈希码与原始特征之间的差异，引入基于哈希代理的相似度学习和二元交叉熵损失来提供优质哈希码，构建了一个深度哈希框架，实现了目前最先进的检索结果。

    Dec, 2021

  • 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

  • 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

  • 双瓶颈自编码哈希的监督学习

    本文通过将标签信息纳入模型的训练，将原始的自动编码双瓶颈哈希模型推广为一种有监督的深度哈希网络，着重考虑多标签数据集中的类不平衡问题，并在三个数据集上进行实验，取得了显著的提高。

    Jun, 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

  • ISD: 迭代相似性蒸馏的自监督学习

    通过对自我监督学习中的对比学习方法进行改进，引入了一种使用负样本的软相似度而不是二进制关系的无监督学习算法，可更好地处理不平衡的无标签数据并获得与最先进模型类似的结果。

    Dec, 2020

  • 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

  • 深度哈希：图像签名学习的联合方法

    本文提出一种新的算法，该算法同时执行特征工程和非线性监督哈希函数学习，使用预训练和指数哈希损失函数，实现了有效的梯度计算和传播，并在数个广泛使用的图像基准测试中实现了全面的定量评估。实验结果表明，我们的算法明显优于所有现有的最先进的竞争对手，特别是在 MNIST 数据集上实现了近乎完美的 0.99 和 CIFAR10 数据集上的 0.74 的新记录。

    Aug, 2016