論文の概要: SpikeHash: Learning Binary Codes with Spiking Neural Networks for Cross-Modal Hashing Retrieval
- arxiv url: http://arxiv.org/abs/2606.00740v1
- Date: Sat, 30 May 2026 14:14:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:57:09.496468
- Title: SpikeHash: Learning Binary Codes with Spiking Neural Networks for Cross-Modal Hashing Retrieval
- Title（参考訳）: SpikeHash: クロスモーダルハッシュ検索のためのスパイクニューラルネットワークによるバイナリコード学習
- Abstract要約: クロスモーダルハッシュ検索は、ハミング空間を効率的に探索するために、異種データをコンパクトなバイナリコードに符号化する。
スパイク状態の進化、方向スパイク相互作用、競合スパイクリードアウトとしてクロスモーダルハッシュを定式化する統合スパイクフレームワークであるSpikeHashを提案する。
- 参考スコア（独自算出の注目度）: 10.799183419959055
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-modal hashing retrieval encodes heterogeneous data into compact binary codes for efficient Hamming-space search. Existing methods usually learn cross-modal semantics in continuous feature spaces and generate binary codes through a final sign operation, which weakly couples training optimization with discrete hash retrieval. We propose SpikeHash, a unified spiking framework that formulates cross-modal hashing as spike-state evolution, directional spike interaction, and competitive spike readout. Specifically, SpikeHash converts image and text features into multi-timestep spike sequences. In a shared Hamming space, the two spike sequences jointly drive the temporal evolution of a shared hash state. Cross-modal interaction is further performed through directional spike modulation, enabling each modality to influence the firing dynamics of the other. Crucially, SpikeHash replaces the conventional continuous hash head with a positive-negative spiking hash readout, where each hash bit is produced by temporal competition between paired spike channels. Experimental results show that SpikeHash achieves competitive retrieval accuracy on three benchmark datasets while reducing the parameter size, operation count, and estimated energy of the hash learning stage, suggesting a compact spiking alternative to conventional continuous hash mapping. The project page is available at https://shuqiao-111.github.io/.
- Abstract（参考訳）: クロスモーダルハッシュ検索は、ハミング空間を効率的に探索するために、異種データをコンパクトなバイナリコードに符号化する。
既存の手法は通常、連続的な特徴空間でクロスモーダルなセマンティクスを学習し、最終的な符号演算によってバイナリコードを生成する。
スパイク状態の進化、方向スパイク相互作用、競合スパイクリードアウトとしてクロスモーダルハッシュを定式化する統合スパイクフレームワークであるSpikeHashを提案する。
具体的には、SpikeHashは画像とテキストの機能をマルチステップスパイクシーケンスに変換する。
共有ハミング空間では、2つのスパイク列が共有ハッシュ状態の時間的進化を共同で駆動する。
さらに、方向のスパイク変調により、相互のモーダル相互作用が実行され、各モーダルが他方の発火力学に影響を与える。
重要なことに、SpikeHashは従来の連続ハッシュヘッドを正負のスパイクハッシュリードアウトに置き換え、各ハッシュビットはペアのスパイクチャネル間の時間的競合によって生成される。
実験結果から,SpikeHashは3つのベンチマークデータセットに対して,ハッシュ学習段階のパラメータサイズ,演算数,推定エネルギーを低減し,従来の連続ハッシュマッピングに代えてコンパクトなスパイクを行うことを示す。
プロジェクトページはhttps://shuqiao-111.github.io/.com/で公開されている。
関連論文リスト
- Beyond Post-Quantization: Native Hash Learning with a Dedicated HASH Token [20.81211439061764]
HashViTは、ネイティブハッシュトークン学習のためのVision Transformerフレームワークである。
学習可能なセマンティックセンターの監督、クラストーケン類似度蒸留、量子化正規化を組み合わせた統一的な目的で最適化されている。
広く使用されている3つのベンチマークの実験は、HashViTが最先端または高い競争力のある検索性能を達成することを示した。
論文 参考訳（メタデータ） (2026-07-03T13:46:18Z) - SECRET: Towards Scalable and Efficient Code Retrieval via Segmented Deep Hashing [83.35231185111464]
ディープラーニングは、検索パラダイムを語彙ベースのマッチングから、ソースコードとクエリをベクトル表現にエンコードした。
従来の研究では、クエリやコードスニペットのハッシュコードを生成し、ハミング距離を使ってコード候補を高速にリコールするディープハッシュベースの手法が提案されている。
提案手法は,既存の深層ハッシュ法によって計算された長いハッシュコードを,反復的学習戦略により複数の短いハッシュコードセグメントに変換する手法である。
論文 参考訳（メタデータ） (2024-12-16T12:51:35Z) - Nested Hash Layer: A Plug-and-play Module for Multiple-length Hash Code Learning [61.095479786194836]
Nested Hash Layer (NHL) は、深い教師付きハッシュモデルのためのプラグイン・アンド・プレイモジュールである。
NHLは、複数の長さのハッシュコードをネスト構造で同時に生成する。
NHLは、様々な深層型ハッシュモデルに対して、トレーニング速度を約5～8倍に向上させる。
論文 参考訳（メタデータ） (2024-12-12T04:13:09Z) - Deep Lifelong Cross-modal Hashing [17.278818467305683]
本稿では,ハッシュ関数の再学習を繰り返すのではなく,生涯ハッシュ検索を実現するために,新しい生涯横断ハッシュを提案する。
具体的には、蓄積したすべてのデータを用いて新しいハッシュ関数を再学習する代わりに、インクリメンタルデータを直接訓練することで、ハッシュ関数を更新するための生涯学習戦略を設計する。
検索精度は20%以上で、新しいデータが連続してやってくると、ほぼ80%以上のトレーニング時間を短縮する。
論文 参考訳（メタデータ） (2023-04-26T07:56:22Z) - A Lower Bound of Hash Codes' Performance [122.88252443695492]
本稿では,ハッシュ符号間のクラス間の差分性とクラス内圧縮性が,ハッシュ符号の性能の低い境界を決定することを証明する。
次に、ハッシュコードの後部を推定し、それを制御することにより、上記の目的を完全に活用する代理モデルを提案し、低バイアス最適化を実現する。
一連のハッシュモデルをテストすることで、平均精度が最大で26.5%、精度が最大で20.5%向上した。
論文 参考訳（メタデータ） (2022-10-12T03:30:56Z) - 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) - Self-Distilled Hashing for Deep Image Retrieval [25.645550298697938]
ハッシュベースの画像検索システムでは、元の入力から変換された入力は通常、異なるコードを生成する。
本稿では,拡張データの可能性を活用しつつ,相違を最小限に抑えるために,自己蒸留ハッシュ方式を提案する。
また、ハッシュプロキシに基づく類似性学習や、バイナリクロスエントロピーに基づく量子化損失を導入し、高品質なハッシュコードを提供する。
論文 参考訳（メタデータ） (2021-12-16T12:01:50Z) - MOON: Multi-Hash Codes Joint Learning for Cross-Media Retrieval [30.77157852327981]
クロスメディアハッシュ技術は高い計算効率と低ストレージコストで注目を集めている。
クロスメディア検索のための新しいMultiple hash cOdes jOint learNing法(MOON)を開発した。
論文 参考訳（メタデータ） (2021-08-17T14:47:47Z) - Unsupervised Multi-Index Semantic Hashing [23.169142004594434]
マルチインデックスハッシュに最適化することで,効率的かつ高効率なハッシュコードを学習する教師なしハッシュモデルを提案する。
文書類似度検索のタスクにおいて、MISHと最先端のセマンティックハッシュベースラインを実験的に比較する。
マルチインデックスハッシュは、線形スキャンと比較してベースラインの効率も向上しますが、MISHよりも33%遅くなっています。
論文 参考訳（メタデータ） (2021-03-26T13:33:48Z) - Deep Reinforcement Learning with Label Embedding Reward for Supervised
Image Hashing [85.84690941656528]
深層型ハッシュのための新しい意思決定手法を提案する。
我々はBose-Chaudhuri-Hocquenghem符号で定義された新しいラベル埋め込み報酬を用いて、深いQ-ネットワークを学ぶ。
我々の手法は、様々なコード長で最先端の教師付きハッシュ法より優れています。
論文 参考訳（メタデータ） (2020-08-10T09:17:20Z) - 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)
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。