Sep, 2021

基于单余弦相似度学习目标的深度哈希

PDF
TL;DR提出了一种具有单一学习目标的深层哈希模型，它通过最大化连续码和其对应的二元正交码之间的余弦相似度来确保哈希码的区分度和量化误差的最小化，并且可以通过批量标准化层和标签平滑方法来实现码平衡和多标签分类，这样可以消除各种损失函数的权重调整所带来的麻烦。实验结果表明，该模型在三个大规模实例检索基准测试上的表现优于现有的多损失哈希模型。
deep hashing modelbinary hash codesquantization error minimizationcosine similaritymulti-label classification
发现论文，激发创造
  • 二值深度神经网络学习哈希

    这篇论文提出了一种深度网络模型和学习算法，用于无监督和监督二进制哈希，通过约束单个隐藏层直接输出二进制代码，并在学习中严格考虑独立性和平衡性，以及相似性保持属性，从而在三个基准数据集上比先前方法表现更佳。

    Jul, 2016

  • 二进制深度神经网络压缩哈希码学习

    本文提出了一种使用神经网络学习二进制哈希码来解决图像检索问题的算法，在无监督和监督学习模式下，通过约束其中一层直接输出二进制哈希码并融入独立性、均衡性和相似性：在学习过程中同时提取视觉特征和生成二进制哈希码，并通过交替优化和谨慎的放松来解决优化中的难点，实验表明本文提出的方法在基准数据集上表现优异。

    Dec, 2017

  • 深度哈希：图像签名学习的联合方法

    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

  • 在线哈希

    提出了一种在线哈希模型来适应流数据的在线学习，并通过衡量两个数据样本之间在汉明空间中的相似损失来导出结构化哈希模型以被被被优化，该工作对所提出的在线哈希模型累积损失的上界进行了理论分析，并将在线哈希从单一模型扩展到多模型在线哈希，通过在多个大规模数据集上的大量实验验证了所提出的在线哈希模型的竞争效率和效果而言，相比相关的哈希方法。

    Apr, 2017

  • 深度神经网络中的同时特征学习与哈希编码

    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

  • 基于正则化相似度学习的可扩展深度哈希用于图像检索和个体重新识别

    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

  • 使用软对比相似度提高多标签图像检索的深度哈希

    本文提出了一种新的深度哈希方法，通过将成对相似性重新定义为实例相似性，基于实例相似性，构造了加权交叉熵和最小均方误差损失，用于同时学习特征和哈希编码，实验表明，这种方法优于竞争方法，在多标签图像检索中实现了最先进的性能。

    Mar, 2018

  • 达到平衡相似度的最优离散在线哈希

    本文提出一种新的基于对称图正则化的在线离散哈希方法 BSODH，通过一个平衡相似和相异权重的平衡相似性方法，解决了应用离散优化时可能遇到的数据不均衡问题，并在三个广泛使用的基准测试中进行广泛实验，证明了该方法的优势。

    Jan, 2019

  • 双瓶颈自编码哈希的监督学习

    本文通过将标签信息纳入模型的训练，将原始的自动编码双瓶颈哈希模型推广为一种有监督的深度哈希网络，着重考虑多标签数据集中的类不平衡问题，并在三个数据集上进行实验，取得了显著的提高。

    Jun, 2023

  • 深度监督离散哈希

    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