Binary Generative Adversarial Networks for Image Retrieval

最新推荐文章于 2024-05-05 20:50:55 发布
原创 最新推荐文章于 2024-05-05 20:50:55 发布 · 1.5k 阅读 · 6 ·
CC 4.0 BY-SA版权
CopyRight@ShaneHolmes
文章标签：

#BGAN #图像检索 #生成对抗网络

论文杂记
上一篇 主目录 下一篇

文章结构


【 前言】

在本文中，作者提出了BGAN(binary generative adversarial networks)，利用无监督的方式实现了图片检索。
在文中作者主要解决了两个问题：

  • 如何在没有relaxation下的情况下，生成图片的hash（二进制）表示。
  • 如何利用hash实现准备的图片检索。

作者通过设计了新的激活函数和目标函数解决了这个问题。

关键词：非监督、二进制生成对抗性网络、
论文《Binary Generative Adversarial Networks for Image Retrieval》下载地址
或者联系博主获取，邮箱：shaneholmes@qq.com

建议阅读：《简单理解与实验生成对抗网络GAN》
建议观看：李宏毅对抗生成网络(GAN)国语教程(2018)

1 预备知识

1.1 汉明距离

Hamming Distance汉明距离使用在数据传输差错控制编码里面的，汉明距离是一个概念，它表示两个（相同长度）字对应位不同的数量，我们以d（x,y）表示两个字x,y之间的汉明距离。对两个字符串进行异或运算（不同为1，相同为0），并统计结果为1的个数（也就是对应位置不同字符的个数），那么这个数就是汉明距离。
在信息论中，两个等长字符串之间的汉明距离是两个字符串对应位置的不同字符的个数。换句话说，它就是将一个字符串变换成另外一个字符串所需要替换的字符个数。例如：

  • 1011101 与 1001001 之间的汉明距离是 2
    2143896 与 2233796 之间的汉明距离是 3
    “toned” 与 “roses” 之间的汉明距离是 3

1.2

2 论文总体介绍

2.1 网络架构

最低0.47元/天 解锁文章
基于生成对抗网络的隐写——GENERATIVE ADVERSARIAL NETWORKS FOR IMAGE STEGANOGRAPHY
weixin_48654804的博客
10-18 1678
GENERATIVE ADVERSARIAL NETWORKS FOR IMAGE STEGANOGRAPHY ICLR 2107 https://openreview.net/forum?id=H1hoFU9xe 隐写术就是构建一个映射SSS S:T×I→I^S:T\times I \to \hat IS:T×I→I^ TTT是message，III是image，I^\hat II^是包含message的III。 具体实现 引入SGAN。包含三个部分 生成网络G，生成看起来真实的数据 判别器网络D，
GAN汇总
简简单单
12-26 3227
3D-ED-GAN - Shape Inpainting using 3D Generative Adversarial Network and Recurrent Convolutional Networks 3D-GAN - Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial...
Binary Generative Adversarial Networks for Image R.pdf
10-21
使用深度哈希的图像检索中最惊人的成功主要涉及判别模型，该模型需要标签。在本文中，我们使用二进制生成的adver sarial网络（BGAN）将图像以无监督的方式嵌入到二进制代码中。通过将生成对抗网络（GAN）的输入噪声变量限制为二进制且以每个输入图像的特征为条件，BGAN可以同时学习每个图像的二进制表示形式，并生成与原始图像相似的图像。在提出的框架中，我们解决了两个主要问题： 1）如何不松懈地直接生成二进制代码？ 2）如何为二进制表示配备准确率图像检索功能？
GENERATIVE ADVERSARIAL NETWORKS FOR IMAGE STEGANOGRAPHY
人工智能
10-27 1416
Steganography is collection of methods to hide secret information (“payload”) within non-secret information (“container”). Its counterpart, Steganalysis, is the　practice of determining if a message co
半监督生成对抗哈希算法Semi-Supervised Generative Adversarial Hashing for Image Retrieval论文笔记
Puremelo
10-10 2774
该论文提出了一种半监督学习的生成对抗哈希算法（即SSGAH）： 文中分别定义了生成模型、判别模型与深度哈希模型共同实现算法框架的搭建 采用了Triplet Loss作为损失函数 利用无类标样本参与训练，即利用半监督学习方法进行训练网络 文中提出了半监督损失函数、对抗损失函数来学习二进制哈希码，尽可能的让语义相似的二进制码距离更近 注：这篇文章我复现了后一直未...
生成对抗网络GANs（笔记一）主线
qq_21210467的博客
08-19 1万+
生成式对抗网络（Generative Adversarial Nets, GAN） 一、发展历程： 最开始接触GANs是因为想了解有关于在少量数据的情况下如何做数据增广。然后就了解到了DCGAN生成手写数字的案例，简直是惊为天人，然今才逐渐开始了解生成对抗网络的思想。到了后来一直想用生成对抗网络的思想做语音识别和语音合成这一方面，一直找到合适的资料。再后来，鬼使神差的想结合GANs来做毕业论文...
imageRetrieval图像检索
03-13
基于SIFT+BOW 实现图像检索的图像检索源代码，主要是利用python实现的！
【翻译】StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation
sinat_37883343的博客
08-05 1036
摘要 最近的研究表明了两个领域内图像到图像转换取得了显著的成功。然而，现有的方法处理两个以上的领域时在可伸缩性和鲁棒性上有局限，因为每对图像域都要构建不同的模型。为了解决这个局限，我们推出starGAN，一种新颖的、可扩展的方法，它可以仅使用一个模型对多个域执行图像到图像的转换。StarGAN的这种统一模型架构可以仅在一个网络中国训练多个数据集的多个领域。这使starGAN与现有模型相比，转换图片的质量更高，拥有灵活地将输入图像转换到任何目标域的新能力。我们的实验证明了我们的方法在面部特征转移和面部表情
Self-Supervised Adversarial Hashing Networks for Cross-Modal Retrieval--文献翻译和笔记
qq_42014059的博客
12-28 2635
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...
The Six Fronts of the Generative Adversarial Networks 论文笔记
weixin_41431170的博客
09-30 1473
The Six Fronts of the Generative Adversarial Networks 论文笔记
GAN对抗神经网络入门（1）
qq_37587850的博客
11-15 954
GAN：Generative Adversarial Nets 参考论文： [1] Jingkuang Song, Tao He, Heng Tao Shen, et al. Binary Generative Adversarial Networks for Image Retrieval. AAAI, 2018 [2] Phillip Isola, Junyan Zhu, Tinghui...
论文阅读——Unified Generative Adversarial Networks for Controllable Image-to-Image Translation
最新发布
weixin_43575791的博客
05-05 637
我们将来自源域的输入条件图像x和来自目标域的可控结构Cy输入到生成器G中并合成目标图像y = G(x, Cy) 这样，GT可控结构Cy提供了更强的监督和结构信息来指导深层网络中图像到图像的转换，而条件图像x提供了外观信息以产生最终结果y。这种新颖的损失可以提高我们实验部分的图像质量。定性和定量结果表明，在具有四个数据集的两个具有挑战性的可控图像翻译任务（即手势到手势翻译和跨视图图像翻译）上，所提出的 GAN 模型相对于最先进的方法具有优越性。在可控结构Cy的引导下，我们的生成器可以产生相应的图像y。
中科院、百度研究院等联合提出UGAN，生成图片难以溯源
AI科技大本营
07-31 5163
作者 | 中国科学院、北京航空航天大学、百度研究院团队译者 | 凯隐编辑 | 夕颜出品 | AI科技大本营（ID: rgznai100） 导读：生成对抗网络（GAN）是近年大热的深度学习模型，中国科学院相关团队注意到，在多领域图片转换任务中，生成图片中会残留一些源类别特征，通俗来讲就是和输入源图片或多或少都有相似之处。针对这个问题，中国科学院、北京航空航天大学、百度研究院团队联合提出了一...
简单理解与实验生成对抗网络GAN
热门推荐
我爱智能
05-26 14万+
之前GAN网络是近两年深度学习领域的新秀，火的不行，本文旨在浅显理解传统GAN，分享学习心得。现有GAN网络大多数代码实现使用python、torch等语言，这里，后面用matlab搭建一个简单的GAN网络，便于理解GAN原理。GAN的鼻祖之作是2014年NIPS一篇文章：Generative Adversarial Net,可以细细品味。 分享一个目前各类GAN的一个论文整理集合 再分享一个目前各
The GAN Zoo (最新GAN 相关paper收集）
omnispace的博客
09-02 8752
Every week, new GAN papers are coming out and it's hard to keep track of them all, not to mention the incredibly creative ways in which researchers are naming these GANs! So, here's a list of what sta
CVPR2017 all paper list
一亩半分地
07-26 2万+
本文给出了CVPR2017的最新的paperlist
信息隐藏|Channel Attention Image Steganography With Generative Adversarial Networks
qq_44654715的博客
12-29 1439
现有的端到端式的GAN图像隐写方法生成的隐写图像质量有待提高，且信息提取的误码率很大，导致在实际应用中需要引入更多的纠错码，从而降低了有效容量。嵌入与提取的本质是其余图像高维特征图的融合与分离，本文对特征图做了观察并发现其不同通道所包含的有意义的信息量不同，而低信息量的无用通道可能会转化为网络输出中的噪声。校正图像特征图，通过建模通道之间的相关性得到各通道的重要程度，抑制无用通道的特征，削弱网络输出结果中噪声的存在，使得生成的隐写图像的质量和信息提取精度得到了提升。在本文方法中，卷积层是基本的构建块。
给出Conditional Generative Adversarial Network 的判别器和生成器训练部分代码
04-23
好的，以下是 Conditional Generative Adversarial Network 的判别器和生成器训练部分代码，供您参考： 判别器训练部分代码： ``` # 定义判别器损失函数 def discriminator_loss(real_output, fake_output): real...
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