![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
Online CMH
文章平均质量分 87
加油
qq2285580599
这个作者很懒,什么都没留下…
展开
-
Flexible Online Multi-modal Hashing for Large-scale Multimedia Retrieval
摘要现有的方法基于batch或者是无监督学习方法,它们有很多的缺点:不能有效地处理流数据,学习到的哈希码识别能力不强,对于变化的流数据学习缺乏灵活性。所以我们提出了FOMH,它的好处就是:1,(很虚的motivation)它可以适应性地融合各个模态,并且灵活性地为新数据学习具有判别性的哈希码,即使 部分模态已经丢失了。(这里部分模态丢失也能学习到底体现在什么地方,没看出来啊?要看相关论文找出来!)2,我们的FOMH的权重可以自动地学习,好处是可以及时捕捉流样本的变化。...原创 2021-06-07 10:46:17 · 287 阅读 · 0 评论 -
Dynamic Multi-View Hashing for Online Image Retrieval
摘要原创 2021-06-06 16:17:24 · 291 阅读 · 0 评论 -
Online Fast Adaptive Low-Rank Similarity Learning for Cross-Modal Retrieval
摘要跨模态数据之间的语义相似性是跨模态检索中的一个瓶颈问题。现有的基于batch的训练方法有着令人望而生畏的时间复杂度和空间复杂度。所以我们为跨模态检索提出了低秩双线性相似度度量。它的原理是:我们通过三联体损失,建立了相对的相似度关系,从而建立了跨模态模型。它的好处是:1,通过在hinge loss中设置margin,这种margin是基于标签空间和特征空间的两两相似度。CMOLRS有效地捕捉了多层的语义关联,并且适应了跨模态数据的语义差异。2,通过设置低秩限制,相似度函数就原创 2021-06-01 15:32:33 · 227 阅读 · 0 评论 -
Label Embedding Online Hashing for Cross-Modal Retrieval
摘要在线哈希是一个有前途的领域,但是这个领域仍然存在着两个问题:1,如何有效地挖掘语义信息;2,如何离散地更新哈希码;3,如何有效地更新哈希码和哈希函数。所以,我们提出了LEMON,它有很多好处:1,我们提出了一个标签嵌入框架,包括标签相似度保留和标签重建。 好处是它可以生成更有识别性的哈希码,并且减少计算的复杂度。2,它不仅可以保留新到达数据的两两相似度,也可以建立新旧数据的两两复杂度。 好处是它可以挖掘更多的相似性信息,使得优化过程不只对新到来的数...原创 2021-06-01 09:22:58 · 214 阅读 · 0 评论 -
Online Collective Matrix Factorization Hashing for Large-Scale Cross-Media Retrieval
摘要现有的跨模态哈希方法都是基于batch的方式学习哈希函数。现有的一些在线跨模态哈希方法可以解决这个问题。然而,这些方法存在一个很大的问题:不能根据新到来的数据更新旧的哈希码。所以我们提出了我们的方法OCMFH,这个方法有两个好处:1,OCMFH仅通过新到达的数据点重新训练哈希函数。2,它生成新数据的哈希码,并通过最新更新的哈希模式更新旧数据的哈希码。同时,我们也提出了一种去中心化策略,来解决在线哈希学习中均值变动的问题。相关工作在线哈希方法基于SGD策略的:OK原创 2021-05-26 22:12:57 · 210 阅读 · 0 评论 -
Online latent semantic hashing for cross-media retrieval
摘要数据经常以流的方式传输,这使得现今的现有的基于batch的方案失去了效率。所有我们提出了OLSH.这种方式有两个好处:1,只要新到来的数据参与了哈希函数的学习。 2,同时这也保持了旧数据点的语义关联。特别的是:为了学习更精确的哈希码,离散的标签映射到连续空间,在这里数据点之间 的语义相关信息可以被正确地度量。然后我们提出了OLSH的优化方式,每一轮的时间复杂度只和新到来的数...原创 2021-05-25 22:32:59 · 192 阅读 · 0 评论 -
Online Cross-Modal Hashing for Web Image Retrieval
摘要现有的跨模态检索方法都是基于batch的。当今的数据都是以流方式传递,批处理对于这种方式的学习效率是很低的。所以现有的在线哈希方式可以应用于CMH.然而这些在线方式不能解决两大困难:1,哈希码的快速更新。2,模态间关系的分析。我们的方法可以有效地解决上述两个问题,分别通过如下的两种方式:1,为了解决无效率地哈希码的更新,可以把哈希码拆成有效率的永久SLC矩阵和转换矩阵。时间复杂度就和总的数据库的尺寸无关了。2,并且我们的方法可以编码潜在语义关系,提升了异质性数据之间的原创 2021-05-23 17:26:01 · 253 阅读 · 0 评论