Nov, 2023

面向大规模精细图像检索的属性感知深度哈希与自一致性

PDF
TL;DR本研究提出了一种面向大规模细粒度图像检索的属性感知哈希网络，通过生成属性感知哈希码，既能提高检索效率，又能建立哈希码和视觉属性之间的明确对应关系。在无监督的条件下，通过注意力捕获视觉表征并开发一个编码器 - 解码器结构网络的重构任务，从外观特定的视觉表征中提取高层次的属性特定向量，进一步通过特征去相关性约束来增强它们的代表性。通过保持原始实体的相似性，可以从这些属性特定向量生成所需的哈希码，从而成为属性感知的哈希码。在六个细粒度检索数据集和两个通用检索数据集上进行了全面的定量实验证明了我们模型相对于竞争方法的优越性。
large-scale fine-grained image retrievalattribute-aware hashing networksself-consistencyvisual attributesdeep hashing
发现论文，激发创造
  • 属性分组和挖掘哈希在细粒度图像检索中的应用

    通过对注意力机制进行建模以及使用属性分组和挖掘哈希（AGMH）来生成精细图像检索的综合特征表示，该方法在细粒度图像数据集上表现出最佳性能。

    Nov, 2023

  • 维护语义层次的大规模图像检索深度哈希

    本研究提出了一种有效的方法，以保留完整语义层次结构的类别相似性，以提高大规模图像检索的精细级别性能并生成更好的二进制代码。

    Jan, 2019

  • 混合哈希：用于图像检索的混合卷积和自注意力深度哈希

    通过深度神经网络将输入图像映射为简单的二进制哈希码，从而实现有效的大规模图像检索。我们提出了一种名为 HybridHash 的混合卷积和自注意力深度哈希方法，通过引入分阶段架构的骨干网络和块聚合函数来实现局部自注意力效果，并降低计算复杂性，以提高图像块之间的信息交流和视觉表示。实验结果表明，本文提出的方法在三个广泛使用的数据集上具有优越的性能，超过了现有的深度哈希方法。

    May, 2024

  • 多标签图像检索的实例感知哈希

    本文介绍了一种基于深度神经网络和实例感知图像表示的图像哈希方法，旨在解决多标签图像检索中单哈希码表示的不足，并在多个基准数据集上进行了广泛评估，证明了该方法可以显著提高语义哈希和类别感知哈希的检索性能。

    Mar, 2016

  • 基于置换不变性的特征重构用于相关感知的图像集识别

    本文研究了如何通过特征重组、自注意力、稀疏 / 协作学习等手段来比较变量数量、质量和无序异质图像集的相似度，并在实验中取得了领先的成果，解决了人脸识别和人物重识别等问题。

    Aug, 2019

  • 学习细粒度视觉描述的深度表示

    本文提出了使用神经语言模型来克服零 - shot 视觉识别中属性的局限性，并取得了在文本图像检索精度和零 - shot 分类准确率上的显著性提升。

    May, 2016

  • 基于深度语义排名的多标签图像检索哈希

    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

  • 细粒度表示学习的属性感知注意力模型

    本文提出一种新颖的 Attribute-Aware Attention Model（A^3M）模型，可以同时学习局部属性表示和全局类别表示，通过属性 - 类别互惠过程，从而更好地提取图像中的固有信息，以实现更好的图像识别效果。

    Jan, 2019

  • 深度加权哈希的查询自适应图像检索

    提出了一种查询自适应的深度加权哈希方法（QaDWH），通过加权汉明距离，可以对不同查询进行细粒度排名的细节图像检索方法，并在四个广泛使用的数据集上展示了其超越八个现有最先进哈希方法的实验结果。

    Dec, 2016

  • ExchNet: 一种用于大规模细粒度图像检索的统一哈希网络

    该论文介绍了一种名为 ExchNet 的可训练网络，利用注意机制和局部特征对细粒度图像进行哈希编码，实现快速查询和减少存储成本。通过实验证明了该方法优于目前其他通用方法，具有高效性和可操作性。

    Aug, 2020