論文の概要: Dual-level Semantic Transfer Deep Hashing for Efficient Social Image Retrieval

• arxiv url: http://arxiv.org/abs/2006.05586v1
• Date: Wed, 10 Jun 2020 01:03:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 06:07:39.225767
• Title: Dual-level Semantic Transfer Deep Hashing for Efficient Social Image Retrieval
• Title（参考訳）: ソーシャル画像検索のための二重レベル意味伝達深度ハッシュ
• Authors: Lei Zhu, Hui Cui, Zhiyong Cheng, Jingjing Li, Zheng Zhang
• Abstract要約: ソーシャルネットワークは膨大な量のユーザ共有画像を保存し、配布する。 ディープハッシュは、大規模社会画像検索をサポートする効率的なインデックス化技術である。 既存の手法は、大量のディープニューラルネットワークパラメータを最適化する際に、深刻なセマンティックな不足に悩まされる。 本稿では,DSTDH(Dual-level Semantic Transfer Deep Hashing)法を提案する。
• 参考スコア（独自算出の注目度）: 35.78137004253608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social network stores and disseminates a tremendous amount of user shared images. Deep hashing is an efficient indexing technique to support large-scale social image retrieval, due to its deep representation capability, fast retrieval speed and low storage cost. Particularly, unsupervised deep hashing has well scalability as it does not require any manually labelled data for training. However, owing to the lacking of label guidance, existing methods suffer from severe semantic shortage when optimizing a large amount of deep neural network parameters. Differently, in this paper, we propose a Dual-level Semantic Transfer Deep Hashing (DSTDH) method to alleviate this problem with a unified deep hash learning framework. Our model targets at learning the semantically enhanced deep hash codes by specially exploiting the user-generated tags associated with the social images. Specifically, we design a complementary dual-level semantic transfer mechanism to efficiently discover the potential semantics of tags and seamlessly transfer them into binary hash codes. On the one hand, instance-level semantics are directly preserved into hash codes from the associated tags with adverse noise removing. Besides, an image-concept hypergraph is constructed for indirectly transferring the latent high-order semantic correlations of images and tags into hash codes. Moreover, the hash codes are obtained simultaneously with the deep representation learning by the discrete hash optimization strategy. Extensive experiments on two public social image retrieval datasets validate the superior performance of our method compared with state-of-the-art hashing methods. The source codes of our method can be obtained at https://github.com/research2020-1/DSTDH
• Abstract（参考訳）: ソーシャルネットワークは膨大な量のユーザー共有画像を保存し、広める。 deep hashingは、その深い表現能力、検索速度の速さ、ストレージコストの低さから、大規模なソーシャルイメージ検索をサポートする効率的なインデックス技術である。 特に教師なしのディープハッシュは、トレーニングのために手作業によるラベル付きデータを必要としないため、スケーラビリティに優れています。 しかし、ラベルガイダンスの欠如により、既存の手法は、大量のディープニューラルネットワークパラメータを最適化する際、深刻な意味不足に悩まされる。 そこで本稿では,DSTDH(Dual-level Semantic Transfer Deep Hashing)手法を提案する。 本モデルは,ソーシャルイメージに関連付けられたユーザ生成タグを特別に活用することにより,意味的に強化された深層ハッシュコードの学習を目標とする。 具体的には,タグの潜在的なセマンティクスを効率的に発見し,それらをバイナリハッシュコードにシームレスに転送するために,補完的なデュアルレベルセマンティクス転送機構を設計する。 一方、インスタンスレベルのセマンティクスは、関連するタグからハッシュコードに直接保存され、ノイズ除去される。 また、画像とタグの潜在高階意味相関をハッシュコードに間接的に転送する画像概念ハイパーグラフを構築する。 さらに、離散ハッシュ最適化戦略により、深層表現学習と同時にハッシュ符号を得る。 2つの公開社会画像検索データセットの大規模な実験により,最先端のハッシュ法と比較して,提案手法の優れた性能が検証された。 我々の手法のソースコードはhttps://github.com/research2020-1/DSTDHで取得できる。

関連論文リスト

• Weakly Supervised Deep Hyperspherical Quantization for Image Retrieval [76.4407063566172]
  Weakly-Supervised Deep Hyperspherical Quantization (WSDHQ)を提案する。 具体的には,1)単語の埋め込みを用いてタグを表現し,タグ相関グラフに基づく意味情報を強化する。 我々は、よく設計された融合層とテーラーメイドの損失関数を用いて、セマンティックス保存の埋め込みと超球上の量子化器を協調的に学習する。
  論文  参考訳（メタデータ） (2024-04-07T15:48:33Z)
• Bit-mask Robust Contrastive Knowledge Distillation for Unsupervised Semantic Hashing [71.47723696190184]
  セマンティックハッシュのための革新的なBit-mask Robust Contrastive Knowledge Distillation (BRCD)法を提案する。 BRCDはセマンティックハッシュモデルの蒸留のために特別に考案されている。
  論文  参考訳（メタデータ） (2024-03-10T03:33:59Z)
• 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)
• Asymmetric Hash Code Learning for Remote Sensing Image Retrieval [22.91678927865952]
  リモートセンシング画像検索のための非対称ハッシュ符号学習(AHCL)という新しい深層ハッシュ法を提案する。 AHCLは、クエリとデータベースイメージのハッシュコードを非対称に生成する。 3つの公開データセットに対する実験結果から,提案手法は精度と効率の点で対称法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-15T07:00:38Z)
• 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)
• PHPQ: Pyramid Hybrid Pooling Quantization for Efficient Fine-Grained Image Retrieval [68.05570413133462]
  マルチレベル特徴量から微細なセマンティック情報を捕捉・保存するためのピラミッドハイブリッドポーリング量子化(PHPQ)モジュールを提案する。 CUB-200-2011とStanford Dogsの2つの広く使用されている公開ベンチマークの実験では、PHPQが最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2021-09-11T07:21:02Z)
• Weakly-Supervised Online Hashing [17.987362068956028]
  Weakly-supervised Online Hashing (WOH) という新しいハッシュ手法を提案する。 高品質なハッシュコードを学習するために、WOHはタグのセマンティクスを考慮し、ノイズを取り除くことで、弱い監視を活用できる。 我々は、効率的でスケーラブルなWOHのための離散オンライン最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-09-16T02:50:22Z)
• Deep Reinforcement Learning with Label Embedding Reward for Supervised Image Hashing [85.84690941656528]
  深層型ハッシュのための新しい意思決定手法を提案する。 我々はBose-Chaudhuri-Hocquenghem符号で定義された新しいラベル埋め込み報酬を用いて、深いQ-ネットワークを学ぶ。 我々の手法は、様々なコード長で最先端の教師付きハッシュ法より優れています。
  論文  参考訳（メタデータ） (2020-08-10T09:17:20Z)
• 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)

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。