《Self-Supervised Adversarial Hashing Networks for Cross-Modal Retrieval》论文翻译

最新推荐文章于 2022-10-11 19:44:19 发布
最新推荐文章于 2022-10-11 19:44:19 发布
阅读量1.1k 收藏 3
点赞数 1
分类专栏： 跨模态检索 文章标签： 跨模态检索 自监督对抗网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liuxin16610553410/article/details/89575315
版权

 

 

 

Agent1998
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Self-Supervised Adversarial Hashing Networks for Cross-Modal Retrieval 整理笔记
qq_36753329的博客
04-07 2305
Self-Supervised Adversarial Hashing Networks for Cross-Modal Retrieval from CVPR 2018 abstract 本文采用2个对抗网络来影响不同模态之间的相关性，并将标签作为训练样本，放入生成器生成对应的语义来供其他网络学习。本文采用multi-label的形式来表述label与对象之间的关系(即一个对象可能有多个labe...
Python-用于跨模态检索的自监督对抗哈希网络
08-11
Self-Supervised Adversarial Hashing Networks for Cross-Modal Retrieval(CVPR2018)
Self-Supervised Adversarial Hashing Networks for Cross-Modal Retrieval--文献翻译和笔记
qq_42014059的博客
12-28 2442
用于跨模式检索的自监督对抗哈希网络 摘要 由于深入学习的成功，跨模式检索最近取得了显著的进展。然而，仍然存在着一个关键的瓶颈：如何弥合情态差异，进一步提高检索的准确性。在本文中，我们提出了一种自我监督的对抗性散列（SSAH）方法，它是早期尝试将对抗性学习以自我监督的方式纳入跨模式散列的方法之一。这项工作的主要贡献是利用两个敌对网络来最大化不同方式之间的相互关系和一致性。此外，我们还利用自监督语义网络以多标签注释的形式发现高级语义信息。这些信息指导了特征学习过程，并保持了公共需求空间和汉明斯空间...
跨模态检索Coupled CycleGAN: Unsupervised Hashing Network for Cross-Modal Retrieval
m0_38102073的博客
02-27 1907
核心思想    本论文是无监督方法，主要由两层循环对抗网络构成，外层的循环对抗网络主要是使不同模态提取更有代表性的公共特征向量，内层循环对抗网络使学的高质量的哈希编码。   外层循环对抗网络： 过程描述：图像通过卷积提取特征作为FrealIF_{real}^IFrealI​,然后通过生成器GfI−>TG_f^{I->T}GfI−>T​（是一个encode->decode...
2018ECCV：Attention-Aware Deep Adversarial Hashing for Cross-Modal Retrieval 论文笔记
weixin_43399966的博客
11-23 1915
0.摘要 由于多模态数据的快速增长，跨模态检索的哈希方法受到了广泛的关注。然而，由于存在异质性差异，在不同数据模式之间寻找内容相似性仍然具有挑战性。为了进一步解决这个问题，我们提出了一个带有注意机制的对抗性哈希网络，通过选择性地关注多模态数据的信息部分，来增强内容相似性的测量。提出的新的深层对抗网络包括三个构建模块:(1)特征学习模块获取特征表征;(2)用于生成注意掩码的注意模块，该注意掩码用于将特征表示分为注意特征表征和无注意特征表征(3)哈希模块学习保持不同模态之间相似性的哈希函数。在...
A Self-supervised Approach for Adversarial Robustness.pdf
10-19
本文总结了A Self-supervised Approach for Adversarial Robustness论文的要点，该论文发表于CVPR会议，主要讨论了深度神经网络（Deep Neural Network，DNN）对抗攻击的鲁棒性问题。 深度神经网络对抗攻击的威胁 ...
SelfGNN: Self-Supervised Graph Neural Networks for Sequential Re
最新发布
06-17
论文汇报内容
Self-supervised Graph Learning for Recommendation
12-20
在推荐系统领域，自监督学习（self-supervised learning）已经成为一种新兴的研究焦点，尤其是在结合图学习（graph learning）的情况下。自监督学习的核心思想是利用数据自身的信息来构建监督信号，而不是依赖于人工...
Self-labeled-techniques-for-semi-supervised-learning
05-15
标签中提到的"self-labeled"指的是自标记的过程，"semi-supervised-learning"表示半监督学习的场景，"tri-training"则是三重训练算法，"self-training"则对应自我训练方法。 项目报告可能涵盖了以下内容： 1. **...
SS-SFDA-Self-Supervised-Source-Free-Domain-Adaptation-for-Road-Segmentation-in-Hazardous-Environme:论文“ SS SFDA”的代码库
04-12
论文 项目页面 在观看整个视频 如果您觉得有用，请引用我们的论文。 @article{kothandaraman2020safe, title={SAfE: Self-Attention Based Unsupervised Road Safety Classification in Hazardous Environments},...
Adversarial Cross-Modal Retrieval
11-27
基于对抗的跨媒体检索Cross-modal retrieval aims to enable flexible retrieval experience across different modalities (e.g., texts vs. images). The core of crossmodal retrieval research is to learn a common subspace where the items of different modalities can be directly compared to each other. In this paper, we present a novel Adversarial Cross-Modal Retrieval (ACMR) method, which seeks an effective common subspace based on adversarial learning. Adversarial learning is implemented as an interplay between two processes. The first process, a feature projector, tries to generate a modality-invariant representation in the common subspace and to confuse the other process, modality classifier, which tries to discriminate between different modalities based on the generated representation. We further impose triplet constraints on the feature projector in order to minimize the gap among the representations of all items from different modalities with same semantic labels, while maximizing the distances among semantically different images and texts. Through the joint exploitation of the above, the underlying cross-modal semantic structure of multimedia data is better preserved when this data is projected into the common subspace. Comprehensive experimental results on four widely used benchmark datasets show that the proposed ACMR method is superior in learning effective subspace representation and that it significantly outperforms the state-of-the-art cross-modal retrieval methods.
ECCV2018比较有意思的paper
Hello World
09-25 2318
Double JPEG Detection in Mixed JPEG Quality Factors using Deep Convolutional Neural Network Fighting Fake News: Image Splice Detection via Learned Self-Consistency Face De-Spoofing: Anti-Spoofing vi...
【论文理解】A Self-supervised GAN for Unsupervised Few-shot Object Recognition
lijianyi0219的博客
09-25 1530
内容概览前言一、研究背景二、核心思想三、论文算法1. 网络结构2. 算法流程3. 实验结果思考 前言 这篇论文于2020.08挂在arxiv上 （点击阅读），作者来自俄勒冈州立大学。本文提出了一种新的自监督少样本学习算法，我认为对无监督少样本学习的研究具有借鉴意义。 本文用于记录对论文算法及核心思想的展示和理解，出现的图片及公式均来自论文原文。 本人也在研究自监督少样本方面，并将实验结果总结在论文Few-Shot Image Classification via Contrastive Self-Sup
读书笔记：Self-Supervised GANs via Auxiliary Rotation Loss
Jesse_08的博客
10-28 294
读书笔记：Self-Supervised GANs via Auxiliary Rotation Loss 在读完自监督综述之后，我们接着读这篇文章自监督GAN通过辅助旋转损失 Abstract： 背景：CGAN是处于自然图像合成的最前沿的方法，但是他的缺点也很明显，需要已经标注好的数据。 答案1：我们要做的是缩小有条件gan CGAN和无条件GAN之间的差距；———》我们的方法是使用了对抗训练（adversarial train）与自监督学习； 答案2：we allow the networks to
【自监督GAN】Self-Supervised GANs via Auxiliary Rotation Loss（SS-GAN）
简单记录生活、学习
10-11 1805
【自监督GAN】Self-Supervised GANs via Auxiliary Rotation Loss
跨媒体检索--无监督哈希方法
hcw15588652014的博客
10-05 2465
Coupled CycleGAN Unsupervised Hashing Network for Cross-Modal Retrieval Coupled CycleGAN：用于跨模态检索的无监督哈希网络 Deep Semantic-Alignment Hashing for Unsupervised Cross-Modal Retrieval 用于无监督跨模态检索的深度语义对齐散列 Deep Joint-Semantics Reconstructing Hashing for Larg
近年image annotation方面的最新论文
初学者的博客
05-24 2321
Tagging like Humans: Diverse and Distinct Image Annotation 2018cvpr类人化标注：多样性和独特性图像标注Baoyuan Wu1, Weidong Chen1, Peng Sun1, Wei Liu1, Bernard Ghanem2, and Siwei Lyu3     腾讯AI Lab本文由 AI Lab主导完成。作者提出了一种全...
《Adversarial Cross-Modal Retrieval》阅读笔记
黄鑫的博客
08-19 7673
论文地址： https://www.researchgate.net/publication/320541510_Adversarial_Cross-Modal_Retrieval​www.researchgate.net 来源：ACM Multimedia 2017 作者：电子科技大学英才实验学院2014级本科生王泊锟同学以第一作者身份发表，获ACM Multimedia 2017会议最佳...
Cross-modal Retrieval（跨模态检索）
热门推荐
nakaizura
05-03 2万+
前一篇文章整理了多模态融合Multimodal Fusion，最近看到一篇很好的跨模态检索的文章，这篇博客就来整理几篇博主认为idea还不错的跨模态检索。另，如果有其他idea很好的跨模态论文，希望你在文章后面留言！ Cross-modal Retrieval 一般一个跨模态检索过程可以既包括模态表征，模态转换，模态对齐和联合学习（唯独没有模态融合，基本上不需要融合）。 Adversarial ...
介绍一下：Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion
05-11
Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion 是一篇论文，主要探讨了如何利用自监督学习的方法对高光谱图像进行超分辨率重建。该方法使用了分离和...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值