論文の概要: Asymmetric Hash Code Learning for Remote Sensing Image Retrieval
- arxiv url: http://arxiv.org/abs/2201.05772v1
- Date: Sat, 15 Jan 2022 07:00:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-22 13:51:55.420761
- Title: Asymmetric Hash Code Learning for Remote Sensing Image Retrieval
- Title（参考訳）: リモートセンシング画像検索のための非対称ハッシュコード学習
- Authors: Weiwei Song, Zhi Gao, Renwei Dian, Pedram Ghamisi, Yongjun Zhang, and
J\'on Atli Benediktsson
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.91678927865952
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Remote sensing image retrieval (RSIR), aiming at searching for a set of
similar items to a given query image, is a very important task in remote
sensing applications. Deep hashing learning as the current mainstream method
has achieved satisfactory retrieval performance. On one hand, various deep
neural networks are used to extract semantic features of remote sensing images.
On the other hand, the hashing techniques are subsequently adopted to map the
high-dimensional deep features to the low-dimensional binary codes. This kind
of methods attempts to learn one hash function for both the query and database
samples in a symmetric way. However, with the number of database samples
increasing, it is typically time-consuming to generate the hash codes of
large-scale database images. In this paper, we propose a novel deep hashing
method, named asymmetric hash code learning (AHCL), for RSIR. The proposed AHCL
generates the hash codes of query and database images in an asymmetric way. In
more detail, the hash codes of query images are obtained by binarizing the
output of the network, while the hash codes of database images are directly
learned by solving the designed objective function. In addition, we combine the
semantic information of each image and the similarity information of pairs of
images as supervised information to train a deep hashing network, which
improves the representation ability of deep features and hash codes. The
experimental results on three public datasets demonstrate that the proposed
method outperforms symmetric methods in terms of retrieval accuracy and
efficiency. The source code is available at
https://github.com/weiweisong415/Demo AHCL for TGRS2022.
- Abstract（参考訳）: リモートセンシング画像検索(RSIR)は,クエリ画像に類似した項目の集合を探索することを目的として,リモートセンシングアプリケーションにおいて非常に重要な課題である。
現在の主流手法としての深いハッシュ学習は、良好な検索性能を達成した。
一方、リモートセンシング画像の意味的特徴を抽出するために、様々なディープニューラルネットワークが使用される。
一方、ハッシュ技術はその後、高次元の深い特徴を低次元のバイナリコードにマッピングするために採用される。
この種の手法は、クエリとデータベースのサンプルの両方を対称的に1つのハッシュ関数を学習しようとする。
しかし、データベースサンプルの数が増えるにつれて、大規模なデータベース画像のハッシュコードを生成するのには通常時間がかかる。
本稿では,rsirのための非対称ハッシュコード学習(ahcl)という,新しいディープハッシュ手法を提案する。
提案した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。
より詳しくは、ネットワークの出力を二元化してクエリ画像のハッシュコードを取得し、一方、データベース画像のハッシュコードは、設計された目的関数を解いて直接学習する。
さらに、各画像の意味情報と、一対の画像の類似情報を教師付き情報として組み合わせ、深層ハッシュネットワークを訓練し、深部特徴やハッシュコードの表現能力を向上させる。
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。
ソースコードは https://github.com/weiweisong415/Demo AHCL for TGRS2022 で公開されている。
関連論文リスト
- HybridHash: Hybrid Convolutional and Self-Attention Deep Hashing for Image Retrieval [0.3880517371454968]
ハイブリッドハッシュ(HybridHash)と呼ばれるハイブリッド畳み込み型・自己注意型ディープハッシュ法を提案する。
我々はCIFAR-10, NUS-WIDE, ImagingNETの3つの広く利用されているデータセットについて総合的な実験を行った。
実験の結果,提案手法は最先端の深層ハッシュ法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-05-13T07:45:20Z) - 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) - 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) - Instance-weighted Central Similarity for Multi-label Image Retrieval [66.23348499938278]
ハッシュコードに対応する中心重みを自動的に学習するために,インスタンス重み付き中央類似度(ICS)を提案する。
特にMS COCOデータセットのmAPを1.6%-6.4%改善する。
論文 参考訳（メタデータ） (2021-08-11T15:18:18Z) - 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) - Multiple Code Hashing for Efficient Image Retrieval [16.750400008178293]
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。
論文 参考訳（メタデータ） (2020-08-04T13:18:19Z) - 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) - 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) - 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) - 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。