通过概念发现实现可解释的细粒度哈希
本文提出了一种简单而有效的有监督深度哈希方法,构建了来自标记数据的二进制哈希代码,用于大规模图像搜索,在此基础上,哈希函数作为深度网络中的一个潜在层得到构建,最小化分类错误和其他理想哈希代码属性上的目标函数,以实现联合学习的图像表示,哈希代码和分类,从而可应用于大规模数据集。
Jul, 2015
本文提出了一种随机森林语义哈希方案,其中嵌入了微型卷积神经网络来产生哈希码以应对不断增长的数据。该方案使用的信息论代码聚合技术接近最优,用于图像检索任务时与最新的哈希方法相比明显优于其他方法,同时实现了其他最先进图像分类技术的表示紧凑和高效可伸缩性。
Nov, 2017
提出了一种新颖的深度无监督哈希模型 DistillHash,在信任相似信号的数据对中进行蒸馏,并采用贝叶斯学习框架从蒸馏的数据集中学习哈希函数,实验结果显示 DistillHash 达到了最先进的搜索性能。
May, 2019
本文提出了一种新的方法,通过使用无监督方法产生的输出来指导监督方法,具体来说,使用师生优化来传播知识,在两个流行的CMH基准数据集MIRFlickr和NUS-WIDE上进行了实验,结果表明我们的方法大大优于所有现有的无监督方法。
Apr, 2020
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
本文提出了一种名为CIMON的新方法,通过全局细化和相似性统计分布获得可靠且平滑的指导,并引入语义和对比一致性学习来推导既具有扰动不变性又具有区分性的哈希码,通过在多个基准数据集上进行的大量实验证明,该提出的方法在检索性能和鲁棒性方面均优于一系列现有技术方法。
Oct, 2020
ElasticHash是一种适用于自然图像的高品质、高效、大规模语义相似性搜索方法,通过基于深度哈希模型学习哈希码和使用Elasticsearch的两段式方法实现。在查询超过120,000个自然图像和OpenImages数据集中的约6.9百万个数据库图像的检索性能评估中,显示了ElasticHash具有高质量的检索结果和低查询延迟。
May, 2023
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。
Nov, 2023
本文提出了一种创新的位掩码鲁棒对比知识蒸馏(BRCD)方法,专门用于蒸馏语义哈希模型,在语义哈希的上下文中,通过对比知识蒸馏目标,首先使教师和学生模型之间的语义空间相互对齐。此外,在知识蒸馏过程中引入了基于聚类的方法,以消除噪声增强,并确保鲁棒优化。通过位级分析,我们发现了由于位独立性属性而产生的冗余位的存在。为了减轻这些影响,我们在知识蒸馏目标中引入了位掩码机制。最后,广泛的实验不仅展示了我们的BRCD方法相对于其他知识蒸馏方法的显着性能,还证实了我们的方法在不同的语义哈希模型和骨干网络中的普遍性。
Mar, 2024