論文の概要: Self-supervised asymmetric deep hashing with margin-scalable constraint
for image retrieval
- arxiv url: http://arxiv.org/abs/2012.03820v2
- Date: Sun, 24 Jan 2021 09:30:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:22:26.738364
- Title: Self-supervised asymmetric deep hashing with margin-scalable constraint
for image retrieval
- Title（参考訳）: 画像検索のためのマージンスケーラブル制約付き自己教師付き非対称深度ハッシュ
- Authors: Zhengyang Yu, Zhihao Dou, Erwin M.Bakker and Song Wu
- Abstract要約: 画像検索のためのマージンスケール可能な制約(SADH)アプローチを備えた,新しい自己監視型非対称深ハッシュ法を提案する。
sadhは自己教師付きネットワークを実装し、セマンティック特徴マップに意味情報を保存し、与えられたデータセットのセマンティクスを意味コードマップに格納する。
特徴学習部では、ハミング空間におけるペア関係の高精度な構築とより識別的なハッシュコード表現の両方に、新たなマージンスケータブル制約を用いる。
- 参考スコア（独自算出の注目度）: 3.611160663701664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to its effectivity and efficiency, image retrieval based on deep hashing
approaches is widely used especially for large-scale visual search. However,
many existing deep hashing methods inadequately utilize label information as
guidance for feature learning networks without more advanced exploration of the
semantic space. Besides the similarity correlations in the Hamming space are
not fully discovered and embedded into hash codes, by which the retrieval
quality is diminished with inefficient preservation of pairwise correlations
and multi-label semantics. To cope with these problems, we propose a novel
self-supervised asymmetric deep hashing method with a margin-scalable
constraint(SADH) approach for image retrieval. SADH implements a
self-supervised network to preserve semantic information in a semantic feature
map and a semantic code map for the semantics of the given dataset, which
efficiently and precisely guides a feature learning network to preserve
multi-label semantic information using an asymmetric learning strategy.
Moreover, for the feature learning part, by further exploiting semantic maps, a
new margin-scalable constraint is employed for both highly-accurate
construction of pairwise correlations in the hamming space and a more
discriminative hash code representation. Extensive empirical research on three
benchmark datasets validates the proposed method and shows it outperforms
several state-of-the-art approaches.
- Abstract（参考訳）: 効果性と効率性から,特に大規模視覚探索において,深いハッシュ手法に基づく画像検索が広く用いられている。
しかし,既存のディープハッシュ手法の多くは,より高度な意味空間探索を行うことなく,特徴学習ネットワークのガイダンスとしてラベル情報を不適切に活用している。
また、ハミング空間における類似性相関は完全には発見されず、ハッシュ符号に組み込まれているため、ペアワイズ相関とマルチラベル意味論の非効率な保存により検索品質が低下する。
これらの問題に対処するため,画像検索のための近距離縮小制約(SADH)を用いた自己教師付き非対称深度ハッシュ法を提案する。
sadhは、セマンティクス特徴マップにセマンティクス情報を保存するための自己教師付きネットワークと、与えられたデータセットのセマンティクスのためのセマンティクスコードマップを実装し、機能学習ネットワークを効率的かつ正確にガイドし、非対称学習戦略を用いてマルチラベルセマンティクス情報を保存する。
さらに、特徴学習部では、セマンティックマップをさらに活用することにより、ハミング空間におけるペア関係の高精度な構築とより差別的なハッシュコード表現の両方に、新たなマージンスケータブル制約を用いる。
3つのベンチマークデータセットに関する広範な実証研究は、提案手法を検証し、いくつかの最先端のアプローチよりも優れています。
関連論文リスト
- Improving Deep Representation Learning via Auxiliary Learnable Target Coding [69.79343510578877]
本稿では,深層表現学習の補助的正規化として,新たな学習対象符号化を提案する。
具体的には、より差別的な表現を促進するために、マージンベースの三重項損失と、提案した目標符号上の相関整合損失を設計する。
論文 参考訳（メタデータ） (2023-05-30T01:38:54Z) - Deep Asymmetric Hashing with Dual Semantic Regression and Class
Structure Quantization [9.539842235137376]
本稿では,三重制約の下で識別ハッシュを生成する二項意味非対称ハッシュ(DSAH)法を提案する。
これら3つの主要コンポーネントにより、ネットワークを介して高品質なハッシュコードを生成することができる。
論文 参考訳（メタデータ） (2021-10-24T16:14:36Z) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳（メタデータ） (2021-08-20T12:09:38Z) - Deep Self-Adaptive Hashing for Image Retrieval [16.768754022585057]
2つの特殊設計で意味情報を適応的にキャプチャするtextbfDeep Self-Adaptive Hashing(DSAH)モデルを提案する。
まず,近辺型類似度行列を構築し,その初期類似度行列を新しい更新戦略で改良する。
第2に、PICを用いたデータペアの優先度を測定し、それらに適応重みを割り当てる。これは、より異種なデータペアがハッシュ学習のためのより差別的な情報を含んでいるという仮定に依存する。
論文 参考訳（メタデータ） (2021-08-16T13:53:20Z) - FDDH: Fast Discriminative Discrete Hashing for Large-Scale Cross-Modal
Retrieval [41.125141897096874]
クロスモーダルハッシュはその有効性と効率性に好まれる。
既存のほとんどのメソッドは、ハッシュコードを学ぶ際に意味情報の識別力を十分に利用していない。
大規模クロスモーダル検索のためのFDDH(Fast Discriminative Discrete Hashing)手法を提案する。
論文 参考訳（メタデータ） (2021-05-15T03:53:48Z) - Rank-Consistency Deep Hashing for Scalable Multi-Label Image Search [90.30623718137244]
スケーラブルなマルチラベル画像検索のための新しいディープハッシュ法を提案する。
2つの空間の類似性順序を整列するために、新しい階数整合性目的を適用した。
強力な損失関数は、意味的類似性とハミング距離が一致しないサンプルをペナルティ化するように設計されている。
論文 参考訳（メタデータ） (2021-02-02T13:46:58Z) - 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) - Pairwise Supervised Hashing with Bernoulli Variational Auto-Encoder and
Self-Control Gradient Estimator [62.26981903551382]
バイナリ潜在変数を持つ変分自動エンコーダ(VAE)は、文書検索の精度の観点から最先端のパフォーマンスを提供する。
本稿では、クラス内類似度とクラス間類似度に報いるために、個別潜伏型VAEを用いたペアワイズ損失関数を提案する。
この新しいセマンティックハッシュフレームワークは、最先端技術よりも優れたパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-05-21T06:11:33Z) - 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) - Deep Robust Multilevel Semantic Cross-Modal Hashing [25.895586911858857]
ハッシュベースのクロスモーダル検索は、最近大きな進歩を遂げた。
しかし、異なるモダリティからのデータを共同のハミング空間に簡単に埋め込むことは、必然的に偽のコードを生成する。
より正確なクロスモーダル検索のための新しいロバスト多レベルセマンティックハッシュ(RMSH)を提案する。
論文 参考訳（メタデータ） (2020-02-07T10:08:21Z)
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。