该研究提出了一种深度度量多视角哈希(DMMVH)方法,通过门控融合方法来捕捉多个视角之间的相互作用,并利用深度度量学习来利用不相似样本的度量信息,该方法在多个数据集上的表现优于目前已有的同类研究.
Apr, 2023
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
多视角异构数据的哈希表示学习是提高多媒体检索准确性的关键,现有方法利用局部相似性,并未充分融合多视角特征,导致检索准确性较差。本文提出了一种新颖的中心相似性多视图哈希 (CSMVH) 方法来解决这些问题,采用中心相似性学习来解决局部相似性问题,能够利用哈希中心和样本之间的全局相似性。丰富的实证数据表明,基于门控融合的方法优于常规方法。在 MS COCO 和 NUS-WIDE 数据集上,所提出的 CSMVH 方法的性能比现有方法大幅提高(平均精确度(mAP)提高高达 11.41%)。
Aug, 2023
本文提出了一种可学习参数的多视角哈希方法,用于在大规模遥感数据集中检索查询图像。通过在视图特定低维子空间中学习一致的紧凑码,并添加一个可学习的超参数模块来验证该方法的有效性。在三个遥感数据集上进行的大量实验表明,与七种最先进的方法相比,该方法可实现竞争性结果。
本文提出了一种深度学习结构的监督哈希方法,其中图像通过经过精心设计的卷积神经网络映射为二进制代码,通过三个构建模块的流水线过程(卷积子网络,划分编码模块和三元组排序损失),实现最近邻搜索的高效率和精确度。
Apr, 2015
本文主要介绍了一种基于卷积神经网络的无监督哈希方法,它对于大规模图像检索任务具有较高的检索准确率。
Feb, 2017
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
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
该研究提出了一种基于互信息优化的新型监督式哈希方法,通过在深度神经网络中优化互信息来学习二进制向量嵌入,从而在大规模高维对象数据库检索中获得高质量的二进制嵌入。