論文の概要: DSCH-Loss: A Dynamic Semantic Channel Objective for Deep Semantic Hashing

• arxiv url: http://arxiv.org/abs/2607.24567v1
• Date: Mon, 27 Jul 2026 15:35:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.480817
• Title: DSCH-Loss: A Dynamic Semantic Channel Objective for Deep Semantic Hashing
• Title（参考訳）: DSCH-Loss:ディープセマンティックハッシュのための動的セマンティックチャネル
• Abstract要約: 本研究では,共有ハミング空間におけるクロスモーダルハッシュを生成するための動的セマンティックチャネルハッシュ(DSCH)を提案する。 DSCHは、損失ランドスケープの不連続を避けるために動的にサイズと位置決めされたセマンティックチャネルを使用する。 40のクロスモーダルおよびイントラモーダル検索タスクのうち35の合計で、DSCHで訓練されたモデルは、他の損失関数よりもはるかに高い平均平均精度(mAP)を達成する。
• 参考スコア（独自算出の注目度）: 7.4151100203940885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic hashing methods for generating short binary hash codes that allow efficient approximate nearest neighbor search in high-dimensional data spaces have gained extensive consideration in recent years. Deep learning-based methods offer better semantic capturing capabilities than traditional approaches relying on manual feature engineering. Moreover, they enable a data-driven approach to semantic hashing across diverse data modalities, yielding high-quality cross-modal hash codes within a shared Hamming space. Previous work investigated the properties of this Hamming space and introduced a loss function based on predefined so-called semantic channels with fixed width and Hamming distances derived from label similarities. However, this formulation also introduced discontinuities into the loss landscape, complicating optimization. Based on these observations, we propose a newly designed loss function, Dynamic Semantic Channel Hashing (DSCH), using dynamically sized and positioned semantic channels in order to avoid loss landscape discontinuities. Furthermore, we endorse the use of tie-aware Mean Average Precision (mAP) as evaluation metric as it addresses the ambiguity in sample retrieval ordering, which emerges from the discreteness of hash code distances. Finally, multiple experimental settings conducted on two popular datasets and incorporating two different model architectures provide strong evidence that training using the DSCH objective outperforms training using other state-of-the-art loss functions. In a total of 35 out of 40 cross-modal and intra-modal retrieval tasks, models trained with DSCH achieve significantly higher tie-aware mAP scores across all four tested hash code lengths, showing compelling results across model architecture and used dataset. The mAP score uplifts are consistent and amount up to 1.75 percentage points compared to the respective second best.
• Abstract（参考訳）: 近年,高次元データ空間における近接探索を効率的に行うための短いバイナリハッシュコードを生成するセマンティックハッシュ法が広く検討されている。 ディープラーニングベースの手法は、手動のフィーチャーエンジニアリングに依存する従来のアプローチよりも、セマンティックなキャプチャ機能を提供する。 さらに、さまざまなデータモダリティにまたがるセマンティックハッシュに対するデータ駆動アプローチを可能にし、共有ハミング空間内で高品質なクロスモーダルハッシュコードを生成する。 これまでの研究は、このハミング空間の特性を調査し、ラベル類似性から派生した固定幅とハミング距離を持つ、既定のいわゆる意味チャネルに基づく損失関数を導入した。 しかし、この定式化はロスランドスケープに不連続性を導入し、最適化を複雑にした。 そこで本研究では,損失景観の不連続を回避するために,動的サイズおよび位置決め型セマンティックチャネルを用いた動的セマンティックチャネルハッシュ(DSCH)を提案する。 さらに,ハッシュコード距離の離散性から生じるサンプル検索順序のあいまいさに対処するため,平均平均精度(mAP)を評価指標として用いることを推奨する。 最後に、2つの一般的なデータセット上で複数の実験的な設定を行い、2つの異なるモデルアーキテクチャを組み込むことで、DSCHの目標を用いたトレーニングが、他の最先端の損失関数を用いたトレーニングより優れているという強い証拠が得られる。 40のクロスモーダルおよびイントラモーダル検索タスクのうち35の合計で、DSCHでトレーニングされたモデルは、テストされた4つのハッシュコード長すべてに対して、タイアップされたmAPスコアをはるかに高く達成し、モデルアーキテクチャと使用済みデータセット間で魅力的な結果を示している。 mAPスコアアップリフトは一貫性があり、各第2のベストと比べて最大1.75ポイントである。

関連論文リスト

• Adaptive von Mises-Fisher Likelihood Loss for Supervised Deep Time Series Hashing [12.81173186417505]
  近年,深層学習に基づくハッシュ法は,意味的意味に基づく時系列の索引付けに有効であることが証明されている。 本稿では,情報損失を低減するため,von Mises-Fisherハッシュ損失を提案する。 実験の結果,本手法は既存のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-09-23T22:34:25Z)
• 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)
• 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)
• 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)
• Learning to hash with semantic similarity metrics and empirical KL divergence [3.04585143845864]
  ハッシュの学習は、大規模データベースからの近接探索を正確に、そして近似的に行うための効率的なパラダイムである。 バイナリハッシュコードは典型的には、CNNから出力特徴を丸め、イメージから抽出される。 i) 学習特徴の相対的なハッシュコード距離を目標値と一致するように促進する新規な損失関数により, (i) を克服する。 我々は、ネットワーク出力とバイナリターゲット分布のKL分散の微分可能な推定を通じて、(ii)に対処し、その結果、特徴がバイナリに丸められたときの情報損失を最小限に抑える。
  論文  参考訳（メタデータ） (2020-05-11T08:20:26Z)
• 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)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)
• 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。