ExchNet: 一种用于大规模细粒度图像检索的统一哈希网络
本研究提出了一种面向大规模细粒度图像检索的属性感知哈希网络,通过生成属性感知哈希码,既能提高检索效率,又能建立哈希码和视觉属性之间的明确对应关系。在无监督的条件下,通过注意力捕获视觉表征并开发一个编码器 - 解码器结构网络的重构任务,从外观特定的视觉表征中提取高层次的属性特定向量,进一步通过特征去相关性约束来增强它们的代表性。通过保持原始实体的相似性,可以从这些属性特定向量生成所需的哈希码,从而成为属性感知的哈希码。在六个细粒度检索数据集和两个通用检索数据集上进行了全面的定量实验证明了我们模型相对于竞争方法的优越性。
Nov, 2023
本文提出一种新的算法,该算法同时执行特征工程和非线性监督哈希函数学习,使用预训练和指数哈希损失函数,实现了有效的梯度计算和传播,并在数个广泛使用的图像基准测试中实现了全面的定量评估。实验结果表明,我们的算法明显优于所有现有的最先进的竞争对手,特别是在 MNIST 数据集上实现了近乎完美的 0.99 和 CIFAR10 数据集上的 0.74 的新记录。
Aug, 2016
本文中提出了一种结合多视角和深度学习的、能够显著提高哈希检索性能的新型多视角哈希模型,该模型在 CIFAR-10、NUS-WIDE 和 MS-COCO 数据集上系统地评估,结果表明本方法明显优于现有的单视角和多视角哈希方法。
Feb, 2020
深度哈希技术利用高分辨率特征提取的高分辨率哈希网络(HHNet)在复杂数据集上显示出优于现有方法的性能提升,强调了在复杂图像检索任务中学习高分辨率特征的必要性。
Mar, 2024
HashNet 是一种基于连续化方法具有收敛保证的新型深度学习哈希结构,它从不平衡的相似性数据中学习准确的二进制哈希码,在标准测试中可产生最先进的多媒体检索性能。
Feb, 2017
本文提出了一种新颖的框架,其中功能聚合和哈希同时设计并联合优化,目的是生成更具区分度的二进制哈希码从而提高图像的检索精度。同时,我们还提出了一个快速版本的二进制自编码器用于我们的提出的框架中。在多个基准数据集上进行的广泛检索实验表明,所提出的框架显著改善了最先进技术水平。
Apr, 2017
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
本研究提出了一种基于深度网络的二进制哈希方案 DeepHash,可以将全局图像描述符表示为非常紧凑的 64-1024 位哈希码,能够实现在极低位速率下进行实例检索,在多数据集上均优于现有方案,能够实现 512 倍的压缩。
Jan, 2015
本研究提出了一种监督学习框架,直接从原始图像中生成紧凑且可扩展的哈希编码,通过使用三元组样本最大化匹配对与不匹配对在汉明空间中的边界,并同时优化图像特征和哈希函数,从而在实际应用中更具有灵活性和更高的性能。
Aug, 2015