May, 2022

跨模态检索的深度监督信息瓶颈哈希在计算机辅助诊断中的应用

PDF
TL;DR提出了 Deep Supervised Information Bottleneck Hashing (DSIBH) 方法来加强哈希码的可区分性，减少了冗余信息，从而促进交叉模态医学数据检索的高精度。
cross-modal medical data retrievaldeep supervised information bottleneck hashingdiscriminability of hash codessuperfluous informationmedical retrieval accuracy
发现论文，激发创造
  • 对比信息瓶颈下的无监督哈希算法

    本文提出一种基于对比学习和信息瓶颈的二进制哈希方法，通过定义新的目标函数和引入概率二进制表示层来促进模型的端到端训练，证明了其与互信息的强联系，并在三个基准图像数据集上得到了显著优于现有基线的实验结果。

    May, 2021

  • 跨模态哈希深度二进制重构

    本研究提出了一种基于深度学习的无监督二元建模网络，称为 Deep Binary Reconstruction（DBRC），采用 Adaptive Tanh（ATanh）作为激活函数，从而能够通过交叉模态检索任务学习到最佳的二元哈希码。实验结果表明，DBRC 在图像到文本和文本到图像的检索任务中优于其他先进方法。

    Aug, 2017

  • 三元组深度哈希网络用于跨模态检索

    本文提出一种基于三元组的深度哈希网络（TDH），用于跨模态检索，并在哈希空间中引入图形正则化，以保留哈希码的原始语义相似性，实验结果表明，我们提出的方法优于几种现有的交叉模态数据集上的最新方法。

    Apr, 2019

  • 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

  • 深度流形哈希：一种用于半成对无监督跨模态检索的分治方法

    本论文提出了一种新方法 Deep Manifold Hashing (DMH)，通过基于流形学习的半配对数据来获取模态不变的特征，并构建三个子模型，分别学习哈希编码和哈希函数，解决了现有跨模态哈希方法在数据严重不平衡情况下的性能问题，并在三个基准测试上证明了其优越性。

    Sep, 2022

  • 多模态癌症生存预测的原型信息瓶颈化与解缚

    多模态学习对癌症生存预测有重要影响，尤其是病理图像和基因组数据的整合。本文提出了一种新的框架，用于解决多模态数据中的冗余性问题，并在五个癌症基准数据集上进行了广泛实验，证明其在其他方法上的优越性。

    Jan, 2024

  • Deep Binaries: 对话 - 视觉跨检索中编码语义丰富线索的有效方法

    本文提出了一种名为文本视觉深度二进制编码（TVDB）的方法，该方法利用区域卷积网络和文本卷积网络来分别探索图像的区域细节和句子的语义线索，通过交替优化来高效地优化二进制编码和深层编码函数，实验证明此方法能够显著提高跨模态检索的性能。

    Aug, 2017

  • 深度素描哈希：快速自由手绘图像检索

    本篇研究论文提出了一个用于类别级别自由手绘图像检索的端到端深度体系结构 Deep Sketch Hashing（DSH），其中使用了卷积神经网络来编码自由手绘图、自然图像和辅助的草图令牌，以缓解草图 - 图像几何形变，并有效地捕获不同类别之间的内在语义相关性，实验结果表明 DSH 的检索时间和内存消耗显着降低，检索准确性较之前的方法更优。

    Mar, 2017

  • 深度离散监督哈希

    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

  • 动态多模态信息瓶颈的多模态分类

    利用多模态数据，在医学诊断和预测任务中有效利用各种图像、实验室测试和临床信息的人工智能技术正在发展。本研究通过研究现有方法对数据冗余和噪声的鲁棒性，提出了一种广义的动态多模态信息瓶颈框架，用于获得稳健的融合特征表示。通过大量实验证明，我们的方法超越了现有技术，在存在大规模噪声通道时仍然具有优越性能。

    Nov, 2023