論文の概要: Hyperbolic Hierarchical Contrastive Hashing

• arxiv url: http://arxiv.org/abs/2212.08904v1
• Date: Sat, 17 Dec 2022 15:34:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 17:23:28.146138
• Title: Hyperbolic Hierarchical Contrastive Hashing
• Title（参考訳）: 双曲的階層的コントラストハッシュ
• Authors: Rukai Wei, Yu Liu, Jingkuan Song, Yanzhao Xie and Ke Zhou
• Abstract要約: HHCH(Hyperbolic Hierarchical Contrastive Hashing)と呼ばれる新しい教師なしハッシュ法を提案する。 連続ハッシュコードを双曲空間に埋め込んで,正確な意味表現を行う。 さらに、K-Meansアルゴリズムを双曲空間に拡張し、提案した階層的双曲的K-Meansアルゴリズムを実行し、階層的意味構造を適応的に構築する。
• 参考スコア（独自算出の注目度）: 41.06974763117755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical semantic structures, naturally existing in real-world datasets, can assist in capturing the latent distribution of data to learn robust hash codes for retrieval systems. Although hierarchical semantic structures can be simply expressed by integrating semantically relevant data into a high-level taxon with coarser-grained semantics, the construction, embedding, and exploitation of the structures remain tricky for unsupervised hash learning. To tackle these problems, we propose a novel unsupervised hashing method named Hyperbolic Hierarchical Contrastive Hashing (HHCH). We propose to embed continuous hash codes into hyperbolic space for accurate semantic expression since embedding hierarchies in hyperbolic space generates less distortion than in hyper-sphere space and Euclidean space. In addition, we extend the K-Means algorithm to hyperbolic space and perform the proposed hierarchical hyperbolic K-Means algorithm to construct hierarchical semantic structures adaptively. To exploit the hierarchical semantic structures in hyperbolic space, we designed the hierarchical contrastive learning algorithm, including hierarchical instance-wise and hierarchical prototype-wise contrastive learning. Extensive experiments on four benchmark datasets demonstrate that the proposed method outperforms the state-of-the-art unsupervised hashing methods. Codes will be released.
• Abstract（参考訳）: 実世界のデータセットに自然に存在する階層的セマンティック構造は、データの潜在分布をキャプチャして、検索システムの堅牢なハッシュコードを学ぶのに役立つ。 階層的セマンティック構造は、意味論的に関連するデータを粗いセマンティックスで高レベルの分類群に組み込むことで単純に表現できるが、構造の構築、組込み、利用は教師なしのハッシュ学習にとって難しいままである。 これらの問題に対処するために,HHCH (Hyperbolic Hierarchical Contrastive Hashing) と呼ばれる新しい教師なしハッシュ法を提案する。 双曲空間に階層を埋め込み、超球面空間やユークリッド空間よりも歪みが少ないため、正確な意味表現のために連続ハッシュ符号を双曲空間に埋め込むことを提案する。 さらに、K-Meansアルゴリズムを双曲空間に拡張し、提案した階層的双曲的K-Meansアルゴリズムを用いて階層的意味構造を適応的に構築する。 双曲空間における階層的意味構造を利用するために,階層的インスタンス単位と階層的プロトタイプ単位のコントラスト学習を含む階層的コントラスト学習アルゴリズムを設計した。 4つのベンチマークデータセットの大規模な実験により、提案手法は最先端の教師なしハッシュ法よりも優れていることが示された。 コードはリリースされる。

関連論文リスト

• Exploiting Data Hierarchy as a New Modality for Contrastive Learning [0.0]
  この研究は、階層的に構造化されたデータが、ニューラルネットワークが大聖堂の概念的な表現を学ぶのにどのように役立つかを研究する。 基礎となるWikiScenesデータセットは、大聖堂の構成要素の空間的に整理された階層構造を提供する。 本稿では,エンコーダの潜伏空間におけるデータ空間階層を表現するために,三重項マージン損失を利用した新しい階層的コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T21:47:49Z)
• HIER: Metric Learning Beyond Class Labels via Hierarchical Regularization [17.575016642108253]
  我々は、トレーニングデータの潜在意味階層を見つけるためにHIERと呼ばれる新しい正規化手法を提案する。 HIERはこの目的を意味階層のアノテーションなしで達成し、双曲空間における階層的プロキシを学習する。
  論文  参考訳（メタデータ） (2022-12-29T11:05:47Z)
• HyperMiner: Topic Taxonomy Mining with Hyperbolic Embedding [54.52651110749165]
  本稿では,単語や話題を表現するために,メタボリック埋め込みを導入した新しいフレームワークを提案する。 双曲空間のツリー様性により、下層のセマンティック階層はより解釈可能なトピックをマイニングするためによりうまく利用することができる。
  論文  参考訳（メタデータ） (2022-10-16T02:54:17Z)
• Weakly-supervised Action Localization via Hierarchical Mining [76.00021423700497]
  弱教師付きアクションローカライゼーションは、ビデオレベルの分類ラベルだけで、与えられたビデオ内のアクションインスタンスを時間的にローカライズし、分類することを目的としている。 ビデオレベルおよびスニペットレベルでの階層的マイニング戦略,すなわち階層的監視と階層的一貫性マイニングを提案する。 我々は、HiM-NetがTHUMOS14とActivityNet1.3データセットの既存の手法よりも、階層的に監督と一貫性をマイニングすることで、大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2022-06-22T12:19:09Z)
• Self-supervised asymmetric deep hashing with margin-scalable constraint for image retrieval [3.611160663701664]
  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。
  論文  参考訳（メタデータ） (2020-12-07T16:09:37Z)
• Unsupervised Embedding of Hierarchical Structure in Euclidean Space [30.507049058838025]
  我々は、集約アルゴリズムによって生成される階層的クラスタリングを改善する方法として、ユークリッド空間にデータの非線形埋め込みを学習することを検討する。 遅延空間埋め込みの再スケーリングはデンドログラムの純度とモーゼリー・ワングのコスト関数の改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-10-30T03:57:09Z)
• 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)
• Deep Hashing with Hash-Consistent Large Margin Proxy Embeddings [65.36757931982469]
  画像ハッシュコードは、分類または検索のために訓練された畳み込みニューラルネットワーク(CNN)の埋め込みをバイナライズすることによって生成される。 この曖昧さを解消するために、固定されたプロキシ(CNN分類層の重み)の使用が提案されている。 得られたHCLMプロキシはハッシュ単位の飽和を促進することが示され、小さな二項化誤差が保証される。
  論文  参考訳（メタデータ） (2020-07-27T23:47:43Z)
• Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
  ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。 本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。 双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
  論文  参考訳（メタデータ） (2020-04-11T19:11:30Z)
• Data Structures & Algorithms for Exact Inference in Hierarchical Clustering [41.24805506595378]
  本稿では,新しいトレリスデータ構造に基づく階層クラスタリングにおける表現型推論のための動的プログラミングアルゴリズムを提案する。 我々のアルゴリズムは時間と空間に比例してN$要素のパワーセットをスケールし、これは(2N-3)! 可能な階層のそれぞれを明示的に考慮するよりも指数関数的に効率的である。
  論文  参考訳（メタデータ） (2020-02-26T17:43:53Z)

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。