图像搜索的深度球面量化
本研究提出了一种基于深度卷积神经网络实现的、有监督且压缩的、结构化二进制编码的方法。通过使用块 softmax 非线性和基于批次的熵损失,本方法可以使学习到的编码具有结构性,并在单一和交叉领域分类、实例检索和类别检索等任务中,表现出比基于深度哈希或结构化量化的现有压缩表示更好的性能。
Aug, 2017
该论文介绍了一种用于大规模图像检索的深度渐进量化模型,该模型学习逐步逼近视觉特征的量化码,并且可以同时训练不同码长的量化码,实现了优于现有技术的图像检索效果。
Jun, 2019
本文提出了一种共享预测深度量化(SPDQ)模型,通过嵌入到重现核希尔伯特空间中同时学习共享子空间和两个私有子空间的表示,以进行不同模态之间的最近邻搜索,并在标签对齐的帮助下实现语义保留。实验结果显示,该模型在两个流行的基准测试中优于现有的基准方法。
Apr, 2019
该研究提出了 Deep Product Quantization(DPQ)技术,通过学习二元表示,以图像检索和分类为例,具有与 Product Quantization 方法类似的计算复杂度和存储空间,并在多项检索和分类实验中取得了最新的卓越结果。
Nov, 2017
通过深度学习和哈希编码来建立高效、有效的图像检索的解决方案,我们提出了 Deep Triplet Quantization(DTQ)方法来学习深度量化模型,并在三个基准数据集 NUS-WIDE、CIFAR-10 和 MS-COCO 上获得了表现优秀的图像检索结果。
Feb, 2019
提出了 “自我监督产品量化(SPQ)” 网络,它是一个无需标签、自我监督的深度学习图像检索方法,通过比较转换后的图像(视图)来学习深度视觉描述符和码字,分析图像的内容提取其描述性特征,实现准确的图像检索,实验表明在基准测试中得到了业内领先的结果,即使在没有有监督预训练的情况下。
Sep, 2021
本文提出了一种压缩编码方法 —— 监督量化,该方法同时学习特征选择,将数据库点线性转换为低维判别子空间,并在转换空间中对数据点进行量化,使其不仅准确逼近转换点,而且在语义上是可分离的,该方法在几个标准数据集上的实验证明了其优于最先进的监督哈希和无监督量化算法。
Feb, 2019
通过使用可微分的凸优化方法,Soft Convex Quantization (SCQ) 成为对传统的 Vector Quantization (VQ) 的替代品,并在图像重构和编码速度等方面取得了显著的改进。
Oct, 2023
本文介绍了一种量化方法 —— 通过学习特定权重子组的对称码本,来减少权重亚群在前向传播和反向传播中的梯度误差,从而提高超低精度权重和激活的网络的准确性,并证明此表示对更粗粒度的方法没有或仅有最小的硬件影响。该方法可用于神经网络量化。
Jul, 2018