論文の概要: Central Similarity Multi-View Hashing for Multimedia Retrieval

• arxiv url: http://arxiv.org/abs/2308.13774v1
• Date: Sat, 26 Aug 2023 05:43:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 19:19:10.115654
• Title: Central Similarity Multi-View Hashing for Multimedia Retrieval
• Title（参考訳）: マルチメディア検索のための中央類似度マルチビューハッシュ
• Authors: Jian Zhu, Wen Cheng, Yu Cui, Chang Tang, Yuyang Dai, Yong Li, Lingfang Zeng
• Abstract要約: 本稿では,CSMVH(Central similarity Multi-View Hashing)法を提案する。 MS COCO と NUS-WIDE では,提案したCSMVH は最先端の手法よりも大きなマージンで性能が向上する。
• 参考スコア（独自算出の注目度）: 14.766486538338498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hash representation learning of multi-view heterogeneous data is the key to improving the accuracy of multimedia retrieval. However, existing methods utilize local similarity and fall short of deeply fusing the multi-view features, resulting in poor retrieval accuracy. Current methods only use local similarity to train their model. These methods ignore global similarity. Furthermore, most recent works fuse the multi-view features via a weighted sum or concatenation. We contend that these fusion methods are insufficient for capturing the interaction between various views. We present a novel Central Similarity Multi-View Hashing (CSMVH) method to address the mentioned problems. Central similarity learning is used for solving the local similarity problem, which can utilize the global similarity between the hash center and samples. We present copious empirical data demonstrating the superiority of gate-based fusion over conventional approaches. On the MS COCO and NUS-WIDE, the proposed CSMVH performs better than the state-of-the-art methods by a large margin (up to 11.41% mean Average Precision (mAP) improvement).
• Abstract（参考訳）: マルチビュー異種データのハッシュ表現学習がマルチメディア検索の精度向上の鍵となる。 しかし,既存の手法では局所的類似性を利用し,多視点特徴の活用が困難であり,検索精度が低下している。 現在の方法は、モデルのトレーニングにのみローカル類似性を使用する。 これらの方法はグローバルな類似性を無視する。 さらに、最近の作品では重み付けされた和や結合によってマルチビュー機能を融合させている。 これらの融合法は様々な視点の相互作用を捉えるには不十分である。 本稿では,CSMVH(Central similarity Multi-View Hashing)法を提案する。 中央類似性学習は、ハッシュセンターとサンプルのグローバル類似性を利用する局所類似性問題を解決するために用いられる。 従来のアプローチよりもゲートベース融合の方が優れていることを示す実証実験データを提示する。 MS COCOとNUS-WIDEでは、提案したCSMVHは最先端の手法よりも大きなマージン(平均精度(mAP)が11.41%向上する)で性能が向上する。

関連論文リスト

• DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
  マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。 まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。 トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
  論文  参考訳（メタデータ） (2023-08-17T14:14:28Z)
• A Comparative Assessment of Multi-view fusion learning for Crop Classification [3.883984493622102]
  この研究は、CropHarvestデータセットにおける作物分類のための異なる融合戦略を評価する。 本稿では,3つの異なるデータセットに対する多視点融合法の比較を行い,テスト領域によって異なる手法が最高の性能を得ることを示す。
  論文  参考訳（メタデータ） (2023-08-10T08:03:58Z)
• Deep Metric Multi-View Hashing for Multimedia Retrieval [3.539519688102545]
  本稿では,これらの問題に対処するため,DMMVH法を提案する。 MIR-Flickr25K, MS COCO, NUS-WIDEでは, 現在の最先端手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2023-04-13T09:25:35Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Decoupling Predictions in Distributed Learning for Multi-Center Left Atrial MRI Segmentation [20.20518948616193]
  本稿では,2つのグループ間のギャップを埋める分散学習のフレームワークを提案する。 左房左房左房 (LA) MRI 区分けを行った結果, 総括的データと局所的データの両方において, 既存手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-06-10T08:35:42Z)
• 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 Multimodal Fusion by Channel Exchanging [87.40768169300898]
  本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。 このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
  論文  参考訳（メタデータ） (2020-11-10T09:53:20Z)
• 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)
• Multi-Center Federated Learning [62.57229809407692]
  本稿では,フェデレート学習のための新しい多中心集約機構を提案する。 非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。 ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-03T09:14:31Z)
• Deep Multi-View Enhancement Hashing for Image Retrieval [40.974719473643724]
  本稿では,ニューラルネットワークによるマルチビュー情報の強化が可能な教師付きマルチビューハッシュモデルを提案する。 提案手法は, CIFAR-10, NUS-WIDE, MS-COCOデータセットを用いて, システム評価を行った。
  論文  参考訳（メタデータ） (2020-02-01T08:32:27Z)

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。