CIMON: 面向高质量哈希码
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
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
该论文提出一种基于自学习的哈希方法,通过无监督学习为给定语料库中的所有文档找到 $l$ 位二进制码,再通过有监督学习训练 $l$ 个分类器,以预测之前未见过的查询文档的 $l$ 位码。在三个真实的文本数据集上的实验表明,该方法比现有技术显著地优越。
Apr, 2010
本文提出了一种全局相似度度量方法 —— 中心相似度,并引入哈希中心的概念,在哈希空间内寻找离散且相互之间距离足够远的数据点,通过构建哈达玛矩阵和伯努利分布的方法实现哈希中心的有效构建,提出了一种优化数据点间哈希中心间中心相似度的方法 CSQ,此方法在图像和视频哈希场景中均适用,大规模的图像和视频检索实验表明,CSQ 可以为相似数据对生成连贯的哈希码,为非相似数据对生成离散的哈希码,在检索效率方面取得了 3%-20%的提升。
Aug, 2019
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
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
本文提出了一种新的复合相关量化(CCQ)模型,通过最大化相关性的映射,将不同模态嵌入到连续的同构空间中,并同时学习复合量化器,将同构潜在特征转换为紧凑的二进制码,以实现高效的相似性检索。实验证明,CCQ 模型优于现有的哈希方法,可用于单模态和跨模态检索。
Apr, 2015
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