Deep Cross-Modal Hashing
Motivation
1,非监督:不能很好地克服不同模态的壁垒。
2,监督:能好一点克服不同模态的壁垒。
3,深度:
a,不是人工提取特征,克服壁垒更进一步。
b,几乎所有这些现有的CMH方法都是基于手工制作的特征。这些手工制作的基于特征的方法的一个缺点是特征提取过程独立于哈希代码学习过程,这意 味着手工制作的特征可能不能最优地兼容与哈希代码学习过程。
4,大多数现有的CMH方法都是通过将原来的离散学习问题松弛为连续学习问题来解决这个问题。这种松弛过程可能会降低学习哈希码的精度。与这些基于松弛的方法不同,DCMH直接学习离散哈希码而不需要松弛。
Attributions
1,DCMH是一个带有深度神经网络的端到端学习框架,每个深度神经网络对应一个模态,可以从头开始进行特征学习。
2,哈希代码学习问题本质上是一个离散学习问题,很难学习。因此,大多数现有的CMH方法都是通过将原来的离散学习问题松弛为连续学习问题来解决这个问题,这种松弛过程可能会降低学习哈希码的精度。与这些基于松弛的方法不同,DCMH不需要松弛直接学习离散哈希码。
(例如:就是加入了)