論文の概要: Collision-Resistant Single-Pass Method for Unsupervised Fine-Grained Image Hashing

• arxiv url: http://arxiv.org/abs/2605.18288v1
• Date: Mon, 18 May 2026 12:16:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.597966
• Title: Collision-Resistant Single-Pass Method for Unsupervised Fine-Grained Image Hashing
• Title（参考訳）: 教師なし微細画像ハッシュのための耐衝突シングルパス法
• Authors: Anh-Kiet Duong, Petra Gomez-Krämer, Jean-Michel Carozza,
• Abstract要約: 教師なしのきめ細かい画像ハッシュは、微妙な視覚的差異を保持するコンパクトなバイナリコードを学ぶことを目的としている。 既存のほとんどの手法は衝突抵抗を無視し、意味的に異なるサンプルに対して同一のハッシュコードをもたらす。 衝突抵抗型シングルパス自己監督セマンティックハッシュを提案する。
• 参考スコア（独自算出の注目度）: 1.2289361708127875
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Unsupervised fine-grained image hashing aims to learn compact binary codes that preserve subtle visual differences among highly similar instances without manual annotations. However, most existing methods neglect collision resistance, leading to identical hash codes for slightly semantically different samples. In this paper, we propose Collision-Resistant Single-Pass Self-Supervised Semantic Hashing (CS3H), a collision-resistant framework that directly optimizes Hamming-space similarity via a single-pass normalized Hamming distance loss to produce well-separated binary representations. We further introduce a collision-sensitive attention module to emphasize rare and discriminative local patterns, reducing hash collisions and improving fine-grained discrimination. Experiments on multiple benchmarks show that CS3H consistently outperforms state-of-the-art methods in retrieval accuracy while achieving superior collision resistance with minimal computational overhead.
• Abstract（参考訳）: 教師なしのきめ細かい画像ハッシュは、手動のアノテーションなしで非常に類似したインスタンス間の微妙な視覚的違いを保存できるコンパクトなバイナリコードを学ぶことを目的としている。 しかし、既存のほとんどの手法は衝突抵抗を無視し、わずかに意味的に異なるサンプルに対して同一のハッシュコードをもたらす。 本稿では,ハミング空間の類似性を単一パス正規化ハミング距離損失により直接最適化し,よく分離されたバイナリ表現を生成する,衝突耐性フレームワークCS3Hを提案する。 さらに、稀で差別的な局所パターンを強調し、ハッシュ衝突を低減し、きめ細かい識別を改善するために、衝突に敏感なアテンションモジュールを導入する。 複数のベンチマークでの実験では、CS3Hは計算オーバーヘッドを最小限に抑えながら、検索精度において最先端の手法を一貫して上回っている。

関連論文リスト

• Unsupervised Hashing with Similarity Distribution Calibration [127.34239817201549]
  教師なしハッシュ法は、特徴空間内のデータポイント間の類似性をバイナリハッシュコードにマッピングすることで保存することを目的としている。 これらの方法は、連続的な特徴空間におけるデータポイント間の類似性が離散的なハッシュコード空間に保存されないという事実をしばしば見落としている。 類似性範囲はコードの長さによって制限され、類似性崩壊と呼ばれる問題を引き起こす可能性がある。 本稿では,この問題を緩和する新しい類似度分布法を提案する。
  論文  参考訳（メタデータ） (2023-02-15T14:06:39Z)
• Weighted Contrastive Hashing [11.14153532458873]
  教師なしハッシュ開発は、世界限定の画像表現に基づくデータ類似性マイニングの不足によって妨げられている。 本稿では,欠落した画像構造によって引き起こされるネットワーク特徴における情報非対称性の問題を軽減するために,新たな相互注意モジュールを提案する。 深い画像関係を反映した集約重み付き類似性を蒸留し、蒸留損失を伴うハッシュコード学習を容易にする。
  論文  参考訳（メタデータ） (2022-09-28T13:47:33Z)
• One Loss for All: Deep Hashing with a Single Cosine Similarity based Learning Objective [86.48094395282546]
  ディープハッシュモデルは通常、学習されたバイナリハッシュコードの識別と量子化エラーの最小化という2つの学習目標を持つ。 本稿では,1つの学習目的しか持たない新しい深層ハッシュモデルを提案する。 我々のモデルは,3つの大規模インスタンス検索ベンチマークにおいて,最先端のマルチロスハッシュモデルより優れている。
  論文  参考訳（メタデータ） (2021-09-29T14:27:51Z)
• 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)
• 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)
• Image Hashing by Minimizing Discrete Component-wise Wasserstein Distance [12.968141477410597]
  競合するオートエンコーダは、バランスよく高品質なハッシュコードを生成する堅牢で局所性を保存するハッシュ関数を暗黙的に学習できることが示されている。 既存の逆ハッシュ法は、大規模な画像検索に非効率である。 本稿では,サンプル要求と計算コストを大幅に低減した,新しい対向型オートエンコーダハッシュ手法を提案する。
  論文  参考訳（メタデータ） (2020-02-29T00:22:53Z)
• Deep Robust Multilevel Semantic Cross-Modal Hashing [25.895586911858857]
  ハッシュベースのクロスモーダル検索は、最近大きな進歩を遂げた。 しかし、異なるモダリティからのデータを共同のハミング空間に簡単に埋め込むことは、必然的に偽のコードを生成する。 より正確なクロスモーダル検索のための新しいロバスト多レベルセマンティックハッシュ(RMSH)を提案する。
  論文  参考訳（メタデータ） (2020-02-07T10:08:21Z)

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。