Discrete Latent Factor Model for Cross-Modal Hashing
解决问题:在跨模态哈希检索任务中,在精度和训练速度上都有很好的结果
主要思想:本文采取的是传统方法DLFH,KDLH。
Full learning Algorithm:一般情况下,对于数据向量标签形成的相似矩阵S,全部用于损失计算,及U,V的更新。
Stochastic Learning Strategy:本文实验取S的m行来参与U,V更新,减少了计算成本。
Out-of-Sample Extension,训练样本生成二进制编码,本文主要采用线性分类器和核逻辑回归非线性分类器。
创新点:本文与cvpr2017同作者Deep Cross-Modal Hashing这篇相比较,后者采用深度学习的方法去学习特征向量;前者采用传统的方法,在训练速度上更快,精度更高。
后者在数据上是直接得到hash码。