Aug, 2019

基于语义层级的关系嵌入在弱监督深度哈希中的应用

HTML
PDF
TL;DR本研究基于语义层次结构，对样本标签间的距离进行度量，并结合该距离构建损失函数以提高深度神经网络嵌入的相似性，同时引入经验Kullback-Leibler散度损失项，以提高嵌入的二值化和均匀性，从而实现利用紧凑二进制哈希码而非实值哈希码进行分层检索，且在弱监督哈希设置下，能够在不显式依赖类标签的情况下学习相似度。
发现论文，激发创造
  • 基于深度语义排名的多标签图像检索哈希

    使用神经网络结合深度学习的方式，针对多标签图像，提出了一种能够保持多层语义相似度的哈希函数学习方法，并在多标签图像数据集上的排名评估中证明了该方法的优越性。

    Jan, 2015

  • 通过深度卷积神经网络监督学习保持语义的哈希

    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

  • 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

  • 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

  • NASH: 面向生成语义哈希的端到端神经结构

    本文提出一种新型神经网络模型NASH，用于信息检索中的语义哈希，利用伯努利潜变量处理二进制约束。采用神经变分推理框架进行训练，直接通过离散潜变量反向传播梯度以优化哈希函数。结合率失真理论，本文进行了理论分析，通过在三个公开数据集上的实验验证其有效性。结果表明，在无监督和监督方案下，我们的方法显著优于几种最新的模型。

    May, 2018

  • 维护语义层次的大规模图像检索深度哈希

    本研究提出了一种有效的方法，以保留完整语义层次结构的类别相似性，以提高大规模图像检索的精细级别性能并生成更好的二进制代码。

    Jan, 2019

  • SADIH: 语义感知离散哈希

    本文提出了一种Semantic-Aware DIscrete Hashing（SADIH）框架，旨在将转换后的语义信息直接嵌入到不对称相似度逼近和判别式哈希函数学习中，以克服监督哈希中全面保留对成对相似度的学习过程过于昂贵且无法扩展以处理大数据的问题。在多个大规模数据集上的实验结果表明，我们的SADIH可以明显优于最先进的基线，同时具有更低的计算成本。

    Apr, 2019

  • DistillHash：无监督深度哈希，通过蒸馏数据对

    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。

    May, 2019

  • 无监督神经生成语义哈希

    提出了一种新的无监督生成语义哈希方法(Ranking based Semantic Hashing,RBSH)，它由一个变分部分和一个基于排名的部分组成，能够通过哈希码生成实现文档排序，实验结果显示，相较于传统方法和最新的语义哈希方法，这种方法在不同哈希码长度下均表现得更好，使用的哈希码长度通常减少2-4倍。

    Jun, 2019

  • 无监督语义哈希与对偶重构

    本文介绍了使用Pairwise Reconstruction的语义哈希方法，将弱监督的训练对编码为哈希码，并通过对这些哈希码的成对重构来实现对局部邻域结构的编码，从而在文档相似度搜索任务中获得了重要的性能改进。

    Jul, 2020