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
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
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
本文提出了一种名为产品量化对抗生成(PQ-AG)的方法,在处理大规模数据集时更高效,但存在输入小细微扰动的漏洞,实验表明该方法能成功创建这种扰动,并显著降低白盒和黑盒环境下的检索性能。
Feb, 2020
本文介绍了一种名为 JPQ 的联合优化方法,该方法结合了查询编码和 Product Quantization,以实现高效的 Dense Retrieval,并在两个公开的评估基准测评中获得了显着的性能提升。
Aug, 2021
本文介绍了匹配导向的产品量化技术 (MoPQ) 及其训练目标 Multinoulli 对比损失 (MCL),通过最小化 MCL 以最大化查询和真实关键字的匹配概率来提高检索准确性。同时,该技术通过可微的跨设备抽样 (DCS) 来大幅增加对比样本的数量以精确地近似 MCL。在四个真实数据集上进行的实验研究表明了 MoPQ 的有效性。
Apr, 2021
本文提出了一种称为 Poeem 的新方法,它采用了产品量化嵌入索引与深度检索模型联合训练的方法,将嵌入学习和索引构建两个步骤统一起来,从而提高了检索准确率,减少了索引时间,并公开了我们的方法以便于比较和重现。
May, 2021
通过利用弱标记图像和词嵌入技术,本研究提出了一种基于深度量化的弱监督超球面量化方法,能够有效地生成紧凑编码,并实现图像检索任务中的高性能表现。
Apr, 2024
本文提出了 Deep Spherical Quantization(DSQ)方法,通过多码本量化,使深度卷积神经网络生成监督和紧凑的二进制代码以实现高效图像搜索,并经过大量实验证明,DSQ 及其稀疏变体能以优于许多最先进的图像检索方法的形式生成语义可分的紧凑二进制代码。
本研究针对高维数据,提出了两种基于产品量化方法的最近邻搜索系统,并通过实验证明这些系统在检索效率与精度方面优于现有的系统。
Apr, 2014