深度哈希方法综述
本文系统综述了最近邻搜索问题中的哈希学习算法,将其按照不同的相似性保存方式进行分类,并分别阐述其性能评估和效益分析,最终指出量化算法在搜索精度、搜索时间、空间花费等方面都表现优异,并介绍了一些新兴话题。
Jun, 2016
本研究综述了基于哈希技术的 ANN 搜索的发展历程和应用,重点介绍了基于数据驱动学习方法和深度学习模型的哈希应用技术,分析了优缺点,并探讨了未来的研究趋势。
Sep, 2015
本研究提出了一种新的深度学习哈希方法,叫做不对称深度监督哈希,针对大规模最近邻搜索。该方法仅针对查询点学习深度哈希函数,而直接学习数据库点的哈希代码。实验表明 ADSH 可以在真实应用中实现最先进的性能。
Jul, 2017
本文提出了一种基于三元组标签的深度哈希方法,通过最大化给定三元组标签的可能性,同时实现图像特征学习和哈希码学习,相比于传统哈希方法和基于成对标签的深度哈希方法 (DPSH), 在 CIFAR-10 和 NUS-WIDE 数据集上实现了更好的性能。
Dec, 2016
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
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
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
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
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