論文の概要: Unsupervised Hashing via Similarity Distribution Calibration

• arxiv url: http://arxiv.org/abs/2302.07669v1
• Date: Wed, 15 Feb 2023 14:06:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-16 14:57:40.000018
• Title: Unsupervised Hashing via Similarity Distribution Calibration
• Title（参考訳）: 類似分布校正による教師なしハッシュ
• Authors: Kam Woh Ng, Xiatian Zhu, Jiun Tian Hoe, Chee Seng Chan, Tianyu Zhang, Yi-Zhe Song, Tao Xiang
• Abstract要約: 新たな類似度分布法(SDC)を提案する。 ハッシュコードの類似度分布を校正分布に整列させることにより、類似度の崩壊問題を緩和する。 実験の結果,SDCは,粗いカテゴリレベルとインスタンスレベルの画像検索タスクにおいて,最先端の代替手段よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 124.76060365226112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing unsupervised hashing methods typically adopt a feature similarity preservation paradigm. As a result, they overlook the intrinsic similarity capacity discrepancy between the continuous feature and discrete hash code spaces. Specifically, since the feature similarity distribution is intrinsically biased (e.g., moderately positive similarity scores on negative pairs), the hash code similarities of positive and negative pairs often become inseparable (i.e., the similarity collapse problem). To solve this problem, in this paper a novel Similarity Distribution Calibration (SDC) method is introduced. Instead of matching individual pairwise similarity scores, SDC aligns the hash code similarity distribution towards a calibration distribution (e.g., beta distribution) with sufficient spread across the entire similarity capacity/range, to alleviate the similarity collapse problem. Extensive experiments show that our SDC outperforms the state-of-the-art alternatives on both coarse category-level and instance-level image retrieval tasks, often by a large margin. Code is available at https://github.com/kamwoh/sdc.
• Abstract（参考訳）: 既存の教師なしハッシュ法は、典型的には特徴類似性保存パラダイムを採用する。 その結果、連続的な特徴と離散的なハッシュ符号空間との間の固有の類似性キャパシティの相違を見落としている。 具体的には、特徴類似度分布は本質的にバイアス(例えば、負の対の適度な正の類似度スコア)であるため、正の対と負の対のハッシュ符号類似度はしばしば分離できない(すなわち、類似度崩壊問題)。 そこで本稿では,新しい類似度分布校正法(sdc)を提案する。 個別のペアワイズ類似度スコアと一致する代わりに、SDCはハッシュコードの類似度分布をキャリブレーション分布(例えばベータ分布)に整列し、類似度容量/範囲全体にわたって十分な広がりを保ち、類似度崩壊問題を緩和する。 広範な実験によって、当社のsdcは、粗いカテゴリレベルとインスタンスレベルのイメージ検索タスクの両方において、最先端の代替案を上回ることが分かりました。 コードはhttps://github.com/kamwoh/sdcで入手できる。

関連論文リスト

• Cluster-Aware Similarity Diffusion for Instance Retrieval [64.40171728912702]
  拡散に基づく再ランク付け(diffusion-based re-level)は、隣り合うグラフで類似性の伝播を実行することで、インスタンスを検索する一般的な方法である。 本稿では,新しいクラスタ・アウェア類似性(CAS)拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-04T14:19:50Z)
• Binary Representation via Jointly Personalized Sparse Hashing [22.296464665032588]
  二元表現学習のための効果的な教師なし手法、すなわち、共同パーソナライズされたスパースハッシュ(JPSH)を提案する。 異なるパーソナライズされたサブスペースは、異なるクラスタのカテゴリ固有の属性を反映するように構成される。 JPSHにおける意味とペアの類似性を同時に保存するために,PSHと多様体に基づくハッシュ学習をシームレスな定式化に組み込む。
  論文  参考訳（メタデータ） (2022-08-31T14:18:37Z)
• Deep Unsupervised Hashing by Distilled Smooth Guidance [13.101031440853843]
  DSG (Distilled Smooth Guidance) という,新しい深部教師なしハッシュ法を提案する。 具体的には,局所構造から得られた雑音的類似性信号に基づいて,類似度信頼度を求める。 広く使用されている3つのベンチマークデータセットに関する広範な実験は、提案されたDSGが常に最先端の検索方法を上回ることを示しています。
  論文  参考訳（メタデータ） (2021-05-13T07:59:57Z)
• 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)
• Self-Supervised Bernoulli Autoencoders for Semi-Supervised Hashing [1.8899300124593648]
  本稿では,変分オートエンコーダに基づくハッシュ手法のロバスト性と,監督の欠如について検討する。 本稿では,モデルがラベル分布予測を用いて一対の目的を実現する新しい監視手法を提案する。 実験の結果,いずれの手法もハッシュコードの品質を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-07-17T07:47:10Z)
• 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)

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。