論文の概要: Mutual Learning for Hashing: Unlocking Strong Hash Functions from Weak Supervision

• arxiv url: http://arxiv.org/abs/2510.07703v1
• Date: Thu, 09 Oct 2025 02:39:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.817999
• Title: Mutual Learning for Hashing: Unlocking Strong Hash Functions from Weak Supervision
• Title（参考訳）: ハッシュのための相互学習 - 弱いスーパービジョンから強いハッシュ関数を解き放つ
• Authors: Xiaoxu Ma, Runhao Li, Zhenyu Weng,
• Abstract要約: Mutual Learning for Hashing(MLH)は、より弱いペアワイズベースのブランチから知識を転送することで、中心的なハッシュブランチを強化する弱強フレームワークである。 MLHは、複数のベンチマークデータセット間で、最先端のハッシュメソッドを一貫して上回る。
• 参考スコア（独自算出の注目度）: 8.509518175943537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep hashing has been widely adopted for large-scale image retrieval, with numerous strategies proposed to optimize hash function learning. Pairwise-based methods are effective in learning hash functions that preserve local similarity relationships, whereas center-based methods typically achieve superior performance by more effectively capturing global data distributions. However, the strength of center-based methods in modeling global structures often comes at the expense of underutilizing important local similarity information. To address this limitation, we propose Mutual Learning for Hashing (MLH), a novel weak-to-strong framework that enhances a center-based hashing branch by transferring knowledge from a weaker pairwise-based branch. MLH consists of two branches: a strong center-based branch and a weaker pairwise-based branch. Through an iterative mutual learning process, the center-based branch leverages local similarity cues learned by the pairwise-based branch. Furthermore, inspired by the mixture-of-experts paradigm, we introduce a novel mixture-of-hash-experts module that enables effective cross-branch interaction, further enhancing the performance of both branches. Extensive experiments demonstrate that MLH consistently outperforms state-of-the-art hashing methods across multiple benchmark datasets.
• Abstract（参考訳）: 大規模な画像検索にはディープハッシュが広く採用されており、ハッシュ関数学習を最適化するための多くの戦略が提案されている。 ペアワイズに基づく手法は局所的な類似性関係を保存するハッシュ関数の学習に有効であるが、センターベースの手法はグローバルなデータ分布をより効果的に捉えてより優れた性能を達成するのが一般的である。 しかし,グローバル構造モデリングにおける中心的手法の強みは,重要な局所的類似性情報の活用を損なうことがしばしばある。 この制限に対処するために、より弱いペアワイズ・ベース・ブランチから知識を伝達することによって中心的ハッシュ・ブランチを強化する新しい弱強弱学習フレームワークであるMultual Learning for Hashing (MLH)を提案する。 MLHは2つの枝から成っている。 反復的な相互学習プロセスを通じて、中央の分岐は、ペアの分岐によって学習された局所的な類似性の手がかりを利用する。 さらに,Mix-of-expertsパラダイムに触発されて,効果的なクロスブランチインタラクションを可能にする新しいMix-of-hash-expertsモジュールを導入し,両ブランチの性能をさらに向上させる。 大規模な実験では、MLHは複数のベンチマークデータセットで最先端のハッシュメソッドを一貫して上回っている。

関連論文リスト

• Deep Boosting Learning: A Brand-new Cooperative Approach for Image-Text Matching [53.05954114863596]
  画像テキストマッチングのための新しいDeep Boosting Learning (DBL)アルゴリズムを提案する。 アンカーブランチは、まずデータプロパティに関する洞察を提供するために訓練される。 ターゲットブランチは、一致したサンプルと未一致のサンプルとの相対距離をさらに拡大するために、より適応的なマージン制約を同時に課される。
  論文  参考訳（メタデータ） (2024-04-28T08:44:28Z)
• End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
  我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。 振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
  論文  参考訳（メタデータ） (2024-01-11T15:22:55Z)
• CoopHash: Cooperative Learning of Multipurpose Descriptor and Contrastive Pair Generator via Variational MCMC Teaching for Supervised Image Hashing [42.67510119856105]
  GAN(Generative Adversarial Networks)のような生成モデルは、画像ハッシュモデルで合成データを生成することができる。 GANは訓練が難しいため、ハッシュアプローチが生成モデルとハッシュ関数を共同で訓練するのを防ぐことができる。 本稿では,エネルギーをベースとした協調学習に基づく新しい協調ハッシュネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-09T15:42:36Z)
• 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)
• Improved Deep Classwise Hashing With Centers Similarity Learning for Image Retrieval [19.052163348920512]
  本論文では,ハッシュ学習とクラスセンター学習を同時に実現する深層型ハッシュ法を提案する。 提案手法は当初の手法を上回り、最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-03-17T05:01:13Z)
• 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)
• Unsupervised Deep Cross-modality Spectral Hashing [65.3842441716661]
  このフレームワークは、最適化をバイナリ最適化とハッシュ関数学習に分離する2段階のハッシュアプローチである。 本稿では,単一モダリティと二項相互モダリティを同時に学習するスペクトル埋め込みに基づく新しいアルゴリズムを提案する。 我々は、画像に強力なCNNを活用し、テキストモダリティを学ぶためのCNNベースのディープアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-08-01T09:20:11Z)
• Creating Something from Nothing: Unsupervised Knowledge Distillation for Cross-Modal Hashing [132.22315429623575]
  クロスモーダルハッシュ(CMH)は、特に視覚や言語において、異なるモーダルからのコンテンツを同じ空間にマッピングすることができる。 CMHには2つの主要なフレームワークがある。 本稿では,教師なし手法を用いて教師なし手法を導出する手法を提案する。
  論文  参考訳（メタデータ） (2020-04-01T08:32:15Z)

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。