論文の概要: Image Hashing by Minimizing Discrete Component-wise Wasserstein Distance
- arxiv url: http://arxiv.org/abs/2003.00134v3
- Date: Tue, 26 May 2020 01:33:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 20:33:46.250141
- Title: Image Hashing by Minimizing Discrete Component-wise Wasserstein Distance
- Title（参考訳）: 離散成分分割ワッサースタイン距離最小化による画像ハッシュ
- Authors: Khoa D. Doan and Saurav Manchanda and Sarkhan Badirli and Chandan K.
Reddy
- Abstract要約: 競合するオートエンコーダは、バランスよく高品質なハッシュコードを生成する堅牢で局所性を保存するハッシュ関数を暗黙的に学習できることが示されている。
既存の逆ハッシュ法は、大規模な画像検索に非効率である。
本稿では,サンプル要求と計算コストを大幅に低減した,新しい対向型オートエンコーダハッシュ手法を提案する。
- 参考スコア（独自算出の注目度）: 12.968141477410597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image hashing is one of the fundamental problems that demand both efficient
and effective solutions for various practical scenarios. Adversarial
autoencoders are shown to be able to implicitly learn a robust,
locality-preserving hash function that generates balanced and high-quality hash
codes. However, the existing adversarial hashing methods are inefficient to be
employed for large-scale image retrieval applications. Specifically, they
require an exponential number of samples to be able to generate optimal hash
codes and a significantly high computational cost to train. In this paper, we
show that the high sample-complexity requirement often results in sub-optimal
retrieval performance of the adversarial hashing methods. To address this
challenge, we propose a new adversarial-autoencoder hashing approach that has a
much lower sample requirement and computational cost. Specifically, by
exploiting the desired properties of the hash function in the low-dimensional,
discrete space, our method efficiently estimates a better variant of
Wasserstein distance by averaging a set of easy-to-compute one-dimensional
Wasserstein distances. The resulting hashing approach has an order-of-magnitude
better sample complexity, thus better generalization property, compared to the
other adversarial hashing methods. In addition, the computational cost is
significantly reduced using our approach. We conduct experiments on several
real-world datasets and show that the proposed method outperforms the competing
hashing methods, achieving up to 10% improvement over the current
state-of-the-art image hashing methods. The code accompanying this paper is
available on Github (https://github.com/khoadoan/adversarial-hashing).
- Abstract（参考訳）: イメージハッシュは、様々な実用的なシナリオに対して効率的かつ効果的なソリューションを要求する根本的な問題の1つです。
競合するオートエンコーダは、バランスよく高品質なハッシュコードを生成する堅牢で局所的なハッシュ関数を暗黙的に学習できることが示されている。
しかし,既存の逆ハッシュ法は,大規模画像検索に非効率である。
具体的には、最適なハッシュコードを生成するために指数関数的な数のサンプルと、非常に高い計算コストを必要とする。
本稿では,高サンプリング・複雑度要求により,対向ハッシュ法の最適部分検索性能が向上することを示す。
この課題に対処するために、サンプル要求と計算コストをはるかに低減した新しい対向型オートエンコーダハッシュ手法を提案する。
具体的には、低次元離散空間におけるハッシュ関数の所望の性質を利用して、計算容易な一次元ワッサースタイン距離の集合を平均することにより、より優れたワッサースタイン距離の変種を効率的に推定する。
その結果得られたハッシュ手法は、他の逆ハッシュ法と比較して、高次値のサンプリング複雑性が向上し、一般化特性が向上する。
さらに,本手法を用いて計算コストを大幅に削減した。
本研究では,いくつかの実世界のデータセットで実験を行い,提案手法が競合するハッシュ法を上回り,現在の画像ハッシュ法を最大10%改善したことを示す。
この論文に付随するコードはgithubで入手できる(https://github.com/khoadoan/adversarial-hashing)。
関連論文リスト
- Cascading Hierarchical Networks with Multi-task Balanced Loss for
Fine-grained hashing [1.6244541005112747]
きめ細かいハッシュは従来のハッシュ問題よりも難しい。
本稿では,コンパクトでセマンティックなハッシュコードを学習するためのカスケードネットワークを提案する。
また,マルチタスク学習の損失を協調的にバランスさせる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-20T17:08:48Z) - Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。
私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。
ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
論文 参考訳（メタデータ） (2023-02-10T18:50:37Z) - A Lower Bound of Hash Codes' Performance [122.88252443695492]
本稿では,ハッシュ符号間のクラス間の差分性とクラス内圧縮性が,ハッシュ符号の性能の低い境界を決定することを証明する。
次に、ハッシュコードの後部を推定し、それを制御することにより、上記の目的を完全に活用する代理モデルを提案し、低バイアス最適化を実現する。
一連のハッシュモデルをテストすることで、平均精度が最大で26.5%、精度が最大で20.5%向上した。
論文 参考訳（メタデータ） (2022-10-12T03:30:56Z) - Asymmetric Scalable Cross-modal Hashing [51.309905690367835]
クロスモーダルハッシュは、大規模なマルチメディア検索問題を解決する方法として成功している。
これらの問題に対処する新しい非対称スケーラブルクロスモーダルハッシュ(ASCMH)を提案する。
我々のASCMHは、最先端のクロスモーダルハッシュ法よりも精度と効率の点で優れています。
論文 参考訳（メタデータ） (2022-07-26T04:38:47Z) - Self-Distilled Hashing for Deep Image Retrieval [25.645550298697938]
ハッシュベースの画像検索システムでは、元の入力から変換された入力は通常、異なるコードを生成する。
本稿では,拡張データの可能性を活用しつつ,相違を最小限に抑えるために,自己蒸留ハッシュ方式を提案する。
また、ハッシュプロキシに基づく類似性学習や、バイナリクロスエントロピーに基づく量子化損失を導入し、高品質なハッシュコードを提供する。
論文 参考訳（メタデータ） (2021-12-16T12:01:50Z) - Representation Learning for Efficient and Effective Similarity Search
and Recommendation [6.280255585012339]
この論文は、より表現力のある表現とより効果的な類似度尺度を通じてハッシュコードの有効性を向上させる表現学習に貢献する。
コントリビューションは、類似性検索とレコメンデーションに関連するいくつかのタスクで実証的に検証される。
論文 参考訳（メタデータ） (2021-09-04T08:19:01Z) - Unsupervised Multi-Index Semantic Hashing [23.169142004594434]
マルチインデックスハッシュに最適化することで,効率的かつ高効率なハッシュコードを学習する教師なしハッシュモデルを提案する。
文書類似度検索のタスクにおいて、MISHと最先端のセマンティックハッシュベースラインを実験的に比較する。
マルチインデックスハッシュは、線形スキャンと比較してベースラインの効率も向上しますが、MISHよりも33%遅くなっています。
論文 参考訳（メタデータ） (2021-03-26T13:33:48Z) - CIMON: Towards High-quality Hash Codes [63.37321228830102]
我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。
まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
論文 参考訳（メタデータ） (2020-10-15T14:47:14Z) - Reinforcing Short-Length Hashing [61.75883795807109]
既存の手法は、非常に短いハッシュコードを用いた検索性能が劣っている。
本研究では, 短寿命ハッシュ(RSLH)を改良する新しい手法を提案する。
本稿では,ハッシュ表現とセマンティックラベルの相互再構成を行い,セマンティック情報を保存する。
3つの大規模画像ベンチマークの実験は、様々な短いハッシュシナリオ下でのRSLHの優れた性能を示す。
論文 参考訳（メタデータ） (2020-04-24T02:23:52Z) - Targeted Attack for Deep Hashing based Retrieval [57.582221494035856]
本研究では, ディープ・ハッシュ・ターゲット・アタック (DHTA) と呼ばれる新たな手法を提案し, 対象とする攻撃を探索する。
まず、対象の攻撃を点対セットの最適化として定式化し、敵のサンプルのハッシュコードと対象のラベルを持つ対象の集合の平均距離を最小化する。
性能と知覚性のバランスをとるために,摂動に対する$ellinfty$制限の下で,逆例のハッシュコードとアンカーコードとのハミング距離を最小化することを提案する。
論文 参考訳（メタデータ） (2020-04-15T08:36:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。