Fugu-MT 論文翻訳(概要): Multiple Code Hashing for Efficient Image Retrieval

論文の概要: Multiple Code Hashing for Efficient Image Retrieval

arxiv url: http://arxiv.org/abs/2008.01503v2
Date: Sun, 5 May 2024 16:37:05 GMT
ステータス: 処理完了
システム内更新日: 2024-05-08 20:57:01.543926
Title: Multiple Code Hashing for Efficient Image Retrieval
Title（参考訳）: 効率的な画像検索のための多重コードハッシュ
Authors: Ming-Wei Li, Qing-Yuan Jiang, Wu-Jun Li,
Abstract要約: 本稿では,ハッシュバケット探索の性能向上のため,マルチコードハッシュ(MCH)と呼ばれる新しいハッシュフレームワークを提案する。 MCHは各画像の複数のハッシュコードを学習し、各コードは画像の異なる領域を表す。我々の知る限りでは、画像検索において各画像に対する複数のハッシュコードを学習することを提案する最初の研究である。
参考スコア（独自算出の注目度）: 16.750400008178293
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to its low storage cost and fast query speed, hashing has been widely used in large-scale image retrieval tasks. Hash bucket search returns data points within a given Hamming radius to each query, which can enable search at a constant or sub-linear time cost. However, existing hashing methods cannot achieve satisfactory retrieval performance for hash bucket search in complex scenarios, since they learn only one hash code for each image. More specifically, by using one hash code to represent one image, existing methods might fail to put similar image pairs to the buckets with a small Hamming distance to the query when the semantic information of images is complex. As a result, a large number of hash buckets need to be visited for retrieving similar images, based on the learned codes. This will deteriorate the efficiency of hash bucket search. In this paper, we propose a novel hashing framework, called multiple code hashing (MCH), to improve the performance of hash bucket search. The main idea of MCH is to learn multiple hash codes for each image, with each code representing a different region of the image. Furthermore, we propose a deep reinforcement learning algorithm to learn the parameters in MCH. To the best of our knowledge, this is the first work that proposes to learn multiple hash codes for each image in image retrieval. Experiments demonstrate that MCH can achieve a significant improvement in hash bucket search, compared with existing methods that learn only one hash code for each image.
Abstract（参考訳）: ストレージコストが低く、クエリ速度が速いため、ハッシュは大規模な画像検索タスクで広く利用されている。ハッシュバケット検索は、所定のハミング半径内にあるデータポイントを各クエリに返します。しかし,既存のハッシュ法では,画像毎に1つのハッシュコードしか学習できないため,複雑なシナリオでハッシュバケット探索を満足できる検索性能が得られない。より具体的には、1つの画像を表すために1つのハッシュコードを使用することで、既存のメソッドは、画像の意味情報が複雑である場合に、クエリにハミング距離を小さくして、類似したイメージペアをバケットに配置できない可能性がある。その結果、学習したコードに基づいて、類似した画像を検索するために、多数のハッシュバケットを訪問する必要がある。これによりハッシュバケット探索の効率が低下する。本稿では,ハッシュバケット探索の性能向上を図るために,Multiple code hashing (MCH)と呼ばれる新しいハッシュフレームワークを提案する。 MCHの主な考え方は、画像の異なる領域を表す各コードで、各画像の複数のハッシュコードを学ぶことである。さらに,MCHのパラメータを学習するための深層強化学習アルゴリズムを提案する。我々の知る限りでは、画像検索において各画像に対する複数のハッシュコードを学習することを提案する最初の研究である。実験により、MCHはハッシュバケット探索において、各画像について1つのハッシュコードのみを学習する既存の方法と比較して、大幅に改善できることが示されている。

関連論文リスト

ConceptHash: Interpretable Fine-Grained Hashing via Concept Discovery [128.30514851911218]
ConceptHashは、サブコードレベルの解釈性を実現する新しい方法である。 ConceptHashでは、各サブコードは、オブジェクト部分のような人間の理解可能な概念に対応する。学習したハッシュコードが、きめ細かいオブジェクトクラス内で識別可能であることを保証するために、言語ガイダンスを組み込んだ。
論文参考訳（メタデータ） (2024-06-12T17:49:26Z)
ElasticHash: Semantic Image Similarity Search by Deep Hashing with Elasticsearch [0.9167082845109439]
ElasticHashは、高品質で効率的で大規模なセマンティックイメージ類似検索のための新しいアプローチである。これは、自然画像における微細な画像類似性探索のためのハッシュコードを学ぶための深いハッシュモデルに基づいている。
論文参考訳（メタデータ） (2023-05-08T13:50:47Z)
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)
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)
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)
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)
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)
A survey on deep hashing for image retrieval [7.156209824590489]
本稿では,既存のハッシュ手法のボトルネックを突破しようとするシャドウリカレントハッシュ(SRH)手法を提案する。具体的には、画像の意味的特徴を抽出するCNNアーキテクチャを考案し、類似した画像を近接に投影するロス関数を設計する。データセットCIFAR-10のいくつかの実験は、SRHの満足な性能を示している。
論文参考訳（メタデータ） (2020-06-10T03:01:59Z)
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)
A Survey on Deep Hashing Methods [52.326472103233854]
最寄りの検索は、データベースからクエリまでの距離が最小のサンプルを取得することを目的としている。ディープラーニングの発展により、ディープハッシュ法は従来の方法よりも多くの利点を示す。深い教師付きハッシュは、ペアワイズ法、ランキングベースの方法、ポイントワイズ法、量子化に分類される。深い教師なしハッシュは、類似性再構築に基づく方法、擬似ラベルに基づく方法、予測自由な自己教師あり学習に基づく方法に分類される。
論文参考訳（メタデータ） (2020-03-04T08:25:15Z)
Image Hashing by Minimizing Discrete Component-wise Wasserstein Distance [12.968141477410597]
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。
論文参考訳（メタデータ） (2020-02-29T00:22:53Z)

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。