Jun, 2023

稀疏归纳生成对抗哈希用于最近邻搜索

PDF
TL;DR本文提出了一种新的非监督哈希方法，称为稀疏诱导生成对抗哈希（SiGAH），通过生成对抗训练框架将大规模高维特征编码为二进制代码，从而解决了已有哈希存在的量化损失问题和数据分布不一致问题。实验结果表明，该方法在 Tiny100K、GIST1M、Deep1M 和 MNIST 四个基准数据集上的性能均优于现有最先进方法。
unsupervised hashinggenerative adversarial hashingquantization losshigh-dimensional featuresbinary codes
发现论文，激发创造
  • 生成式对抗网络实现的深度语义哈希

    本文介绍了一种基于 GANs 的新型监督哈希方法 Deep Semantic Hashing，通过针对大规模图像检索任务，利用半监督生成对抗网络在非标注大规模图像数据集和少量标注数据集的基础上生成高质量的综合数据，以此提升哈希搜索技术的效果和精度。实验证明，该方法比当前的深度哈希模型有着更好的效果。

    Apr, 2018

  • SSAH: 半监督自适应深度哈希与自适应难样本生成

    该论文提出了一种名为 SSAH 的半监督自适应对抗哈希方法，通过在一个统一的框架内同时进行图像生成和哈希学习，该系统通过自适应生成困难样本和利用无标签数据中的语义信息显着提高了现有哈希算法的性能。

    Nov, 2019

  • 二进制生成对抗网络用于图像检索

    本文提出一种使用二进制生成对抗网络（BGAN）进行无监督学习的图片编码方法，通过限制噪声变量为二进制并使用新的标志激活策略和损失函数，在不松弛约束条件下生成二进制编码，并提高了图像检索的准确性，相较于现有的哈希方法，我们的方法在标准数据集上的表现提高了 107%。

    Aug, 2017

  • SADIH: 语义感知离散哈希

    本文提出了一种 Semantic-Aware DIscrete Hashing（SADIH）框架，旨在将转换后的语义信息直接嵌入到不对称相似度逼近和判别式哈希函数学习中，以克服监督哈希中全面保留对成对相似度的学习过程过于昂贵且无法扩展以处理大数据的问题。在多个大规模数据集上的实验结果表明，我们的 SADIH 可以明显优于最先进的基线，同时具有更低的计算成本。

    Apr, 2019

  • 稀疏相似性保持哈希

    本研究提出使用 feed-forward 神经网络来实现稀疏高维哈希码，并且通过对视觉和多模态数据的实验评估表明该方法具有显著的优势。

    Dec, 2013

  • 伯努利变分自编码器和自控梯度估计的成对监督哈希

    介绍了一种基于离散隐变量 VAE 的成对损失函数，通过使用无偏的低方差梯度估计器，优化网络并获得了良好的性能

    May, 2020

  • 面向时尚库存主观搜索的对抗训练深度神经语义哈希方案

    本文提出了一种利用深度神经网络实现对时尚库存图像进行语义哈希的方案，并使用哈密尔顿距离度量实现对时尚库存的图像检索。经实验验证，这种方案相对于现有的深度 Cauchy 哈希方法，可取得更好的平均精度。

    Jun, 2019

  • 随机生成哈希

    本论文提出了一种基于最小描述长度原则的生成式二元哈希学习方法，通过随机分布梯度基于优化哈希函数及关联生成模型的参数，以实现对海量数据库的快速搜索与检索。实验结果表明，该方法在多种大规模数据集上实现了比现有最先进方法更好的检索结果。

    Jan, 2017

  • 无监督神经生成语义哈希

    提出了一种新的无监督生成语义哈希方法 (Ranking based Semantic Hashing,RBSH)，它由一个变分部分和一个基于排名的部分组成，能够通过哈希码生成实现文档排序，实验结果显示，相较于传统方法和最新的语义哈希方法，这种方法在不同哈希码长度下均表现得更好，使用的哈希码长度通常减少 2-4 倍。

    Jun, 2019

  • 深度生成图像模型的几何学及其应用

    本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

    Jan, 2021