論文の概要: Weakly-Supervised Online Hashing

• arxiv url: http://arxiv.org/abs/2009.07436v2
• Date: Thu, 8 Jul 2021 13:30:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 00:12:19.796331
• Title: Weakly-Supervised Online Hashing
• Title（参考訳）: 弱々しいオンラインハッシュ
• Authors: Yu-Wei Zhan, Xin Luo, Yu Sun, Yongxin Wang, Zhen-Duo Chen, Xin-Shun Xu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.987362068956028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of social websites, recent years have witnessed an explosive growth of social images with user-provided tags which continuously arrive in a streaming fashion. Due to the fast query speed and low storage cost, hashing-based methods for image search have attracted increasing attention. However, existing hashing methods for social image retrieval are based on batch mode which violates the nature of social images, i.e., social images are usually generated periodically or collected in a stream fashion. Although there exist many online image hashing methods, they either adopt unsupervised learning which ignore the relevant tags, or are designed in the supervised manner which needs high-quality labels. In this paper, to overcome the above limitations, we propose a new method named Weakly-supervised Online Hashing (WOH). In order to learn high-quality hash codes, WOH exploits the weak supervision by considering the semantics of tags and removing the noise. Besides, We develop a discrete online optimization algorithm for WOH, which is efficient and scalable. Extensive experiments conducted on two real-world datasets demonstrate the superiority of WOH compared with several state-of-the-art hashing baselines.
• Abstract（参考訳）: ソーシャルWebサイトが急速に発展するにつれ、近年はユーザが提供するタグによるソーシャルイメージの爆発的な成長を目の当たりにしている。 検索速度の速さとストレージコストの低さから,画像検索のためのハッシュベースの手法が注目されている。 しかし,既存のハッシュ手法は,社会的イメージの性質に反するバッチモード,すなわち,社会的イメージは定期的に生成されるか,ストリーム形式で収集される。 オンラインイメージハッシュ手法は数多く存在するが、関連するタグを無視した教師なし学習を採用するか、高品質なラベルを必要とする教師あり方式で設計する。 本稿では、上記の制限を克服するために、Wakly-supervised Online Hashing (WOH) という新しい手法を提案する。 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。 さらに,より効率的でスケーラブルなwohのオンライン最適化アルゴリズムを開発した。 2つの実世界のデータセットで実施された大規模な実験は、いくつかの最先端のハッシュベースラインと比較して、WOHの優位性を示している。

関連論文リスト

• 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)
• Fast Online Hashing with Multi-Label Projection [15.85793225585693]
  本稿では,データベースの小さな部分のバイナリコードのみを更新するFast Online Hashing(FOH)手法を提案する。 実験結果から,提案したFOHは,最先端のベースラインよりも6.28秒少ないクエリ時間で劇的な優位性が得られることが示された。
  論文  参考訳（メタデータ） (2022-12-03T03:19:28Z)
• Weighted Contrastive Hashing [11.14153532458873]
  教師なしハッシュ開発は、世界限定の画像表現に基づくデータ類似性マイニングの不足によって妨げられている。 本稿では,欠落した画像構造によって引き起こされるネットワーク特徴における情報非対称性の問題を軽減するために,新たな相互注意モジュールを提案する。 深い画像関係を反映した集約重み付き類似性を蒸留し、蒸留損失を伴うハッシュコード学習を容易にする。
  論文  参考訳（メタデータ） (2022-09-28T13:47:33Z)
• 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)
• Fast Class-wise Updating for Online Hashing [196.14748396106955]
  本稿では,FCOH(Fast Class-wise Updating for Online Hashing)と呼ばれる新しいオンラインハッシュ方式を提案する。 クラスワイズ更新法は、バイナリコード学習を分解し、代わりにクラスワイズ方式でハッシュ関数を更新する。 オンラインの効率をより高めるために,異なるバイナリ制約を独立に扱うことで,オンライントレーニングを高速化する半緩和最適化を提案する。
  論文  参考訳（メタデータ） (2020-12-01T07:41:54Z)
• 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)
• Dual-level Semantic Transfer Deep Hashing for Efficient Social Image Retrieval [35.78137004253608]
  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。
  論文  参考訳（メタデータ） (2020-06-10T01:03:09Z)
• 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)

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。