大规模遥感图像检索的保持局部性多视图图哈希
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
多视角异构数据的哈希表示学习是提高多媒体检索准确性的关键,现有方法利用局部相似性,并未充分融合多视角特征,导致检索准确性较差。本文提出了一种新颖的中心相似性多视图哈希 (CSMVH) 方法来解决这些问题,采用中心相似性学习来解决局部相似性问题,能够利用哈希中心和样本之间的全局相似性。丰富的实证数据表明,基于门控融合的方法优于常规方法。在 MS COCO 和 NUS-WIDE 数据集上,所提出的 CSMVH 方法的性能比现有方法大幅提高(平均精确度(mAP)提高高达 11.41%)。
Aug, 2023
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
我们提出了一种创新的图像哈希方法 NeuroHash,它利用高维计算将空间信息符号编码为高维向量,从而实现空间感知有条件的图像检索。我们的方法将预训练的大型视觉模型与 HDC 操作相结合,实现了空间编码的特征表示。基于局部敏感哈希(LSH)的哈希技术确保了快速高效的图像检索,评估结果显示了图像哈希方法的新进展,提高了检索准确性。
Apr, 2024
该研究提出了一种深度度量多视角哈希(DMMVH)方法,通过门控融合方法来捕捉多个视角之间的相互作用,并利用深度度量学习来利用不相似样本的度量信息,该方法在多个数据集上的表现优于目前已有的同类研究.
Apr, 2023
该研究提出了一种基于图卷积网络的高光谱图像的多视角子空间聚类方法,利用空间关系分析和表达了高光谱图像的特性,并通过两个图卷积子空间构建了更具区分度的特征图,该模型在三个流行的高光谱图像数据集上具有较高的聚类准确性。
Mar, 2024
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
本文提出了一种用于高光谱图像 (HSI) 聚类的多级图像子空间对比学习 (MLGSC) 模型,通过构建图卷积子空间、局部全局图表示和多级对比学习,有效提高了聚类准确性。在四个常见的 HSI 数据集上进行评估,结果显示该模型的整体准确率显著优于当前最先进的聚类方法。
Apr, 2024
通过将视频信息分解为重建相关信息和语义相关信息,我们设计了一个双流结构,其中包括一个时间层和一个哈希层。在自监督学习中获得的语义相似性知识的帮助下,哈希层学习捕捉用于语义检索的信息,而时间层学习捕捉用于重建的信息。这样,模型自然地将解耦的语义保留为二进制代码。在全面的实验验证中,我们的方法在三个视频基准上持续优于现有技术。
Oct, 2023