论文研读
文章平均质量分 71
2021-10
薛定谔的大胖笨狗
这个人很懒。
展开
-
Supervised Online Hashing via Hadamard Codebook Learning
Supervised Online Hashing via Hadamard Codebook Learning2018 MMMingbao Lin XiaMen University概要首先给每个类标签分配一个合适的高维二进制码,它由Hadamard码随机生成。随后,采用LSH方法根据哈希位来减小该Hadamard码的长度,可以在线适应预定义的二进制码,从理论上保证语义相似度。最后考虑了随机数据采集的设置,这使得我们的方法可以通过随机梯度下降(SGD)在线高效地学习相应的哈希函数。HCOH可以嵌入原创 2021-11-02 21:13:11 · 303 阅读 · 0 评论 -
Weakly-supervised Online Hashing
Weakly-supervised Online Hashing2021 ICME要点:1、通过考虑去噪标签、图像级语义表示以及图像的视觉特征,WOH可以生成在线场景下的社会图像哈希码,保留标签的语义信息2、提出了一种迭代在线优化算法。它的时间复杂度与每轮新到达的数据大小成线性关系,使得WOH高效且可扩展。此外,在优化过程中,哈希码可以在保持二进制约束的情况下离散学习。目标函数:1、弱监督(标签)处理:2、从高级标签语义并结合视觉特征学习哈希码3、哈希函数学习:4、核化:X—&g原创 2021-11-02 10:11:01 · 313 阅读 · 0 评论 -
Asymmetric Discrete Cross-Modal Hashing
Asymmetric Discrete Cross-Modal Hashing2018 ICMR要点:1、利用集合矩阵分解找到不同模态的共享潜在语义空间,得到所有实例在潜在空间中的表示;构造学习过的表示和哈希码来近似语义相似度。2、使用四步优化方案直接学习哈希码,而不是放松二进制约束,可以避免较大的量化误差问题。3、采用两步哈希策略对训练集中以外的新样本学习哈希函数,使其具有灵活性。概念提出:先进的哈希算法可以分为对称的和非对称的两种。对称的哈希算法:为数据库和查询集学习相同的哈希函数非对原创 2021-11-02 10:05:01 · 354 阅读 · 0 评论 -
Scalable Supervised Discrete Hashing for Large-Scale Search
Scalable Supervised Discrete Hashing for Large-Scale Search2018 www要点:基于一个新的损失函数,SSDH绕过了对n × n成对相似矩阵的直接优化。SSDH在学习过程中采用无松弛的优化方案,避免了积累的误差问题。在学习的过程中,利用了配对相似矩阵和标签矩阵;因此,更多的语义信息可以嵌入到哈希码的学习中。问题:1.使用松弛操作来学习二进制码,造成量化误差2.构造n*n实例配对矩阵,空间成本大且耗时长,不可扩展哈希码的学习:原创 2021-11-02 09:59:49 · 250 阅读 · 0 评论 -
Fast Supervised Discrete Hashing
Fast Supervised Discrete Hashing2017 TPAMI要点:FSDH使用非常简单但有效的回归训练示例的类标签到相应的哈希码,以加速算法;FSDH有一个封闭的解,只需要一个单一的而不是迭代的哈希码求解步骤,这是非常高效的。此外,FSDH求解最小二乘回归投影矩阵的速度通常比SDH快,这使得FSDH通常比SDH快。传统算法回顾:数据无关的哈希不依赖于训练数据,而是在二值化之前使用随机投影将样本映射到特征空间LSH数据相关的哈希无监督哈希哈希学习原创 2021-11-02 09:53:20 · 270 阅读 · 0 评论 -
Natural Supervised Hashing
Natural Supervised HashingIJCAI 2016要点:将标签向量视为二进制码,并学习与标签向量结构相似的目标码。为了避免对大型n⇥n Gram矩阵的直接优化,确定了一种内积保持变换,并使用它在不改变结构的情况下获得接近的标签向量和哈希码。为最终目标提出了交替优化方法,每一步都有一个解析解。训练过程非常快,规模也很好。目标函数:优化目标:使目标码和标签向量尽可能近。目标函数:引入矩阵R,将显式的YY(T)与XP(XP)T的距离转换为隐式的Y与(XP)的距离原创 2021-11-02 09:49:13 · 224 阅读 · 0 评论 -
Supervised Discrete Hashing
Supervised Discrete Hashing2015 CVPR问题:处理施加在追踪的哈希码上的离散约束,使哈希优化具有挑战性(通常是NP- hard)。解决:提出了一个新的监督哈希框架,其中的学习目标是生成最优的二进制哈希码用于线性分类。通过引入一个辅助变量,我们对目标进行了重新模拟,使得它可以通过使用正则化算法来有效地求解,该算法的关键步骤之一是解决与NP-hard二值优化相关的正则化子问题。通过循环坐标下降,证明了该子问题具有解析解。因此,高质量的离散解最终可以以一种有原创 2021-11-02 09:45:00 · 497 阅读 · 0 评论 -
Online Enhanced Semantic Hashing: Towards Effective and Efficient Retrieval for Streaming Multi-Moda
Online Enhanced Semantic Hashing: Towards Effective and Efficient Retrieval for Streaming Multi-Modal DataXiao-Ming Wu ShanDong University概要1.研究了在线多模态哈希,并定义了一个问题设置来更好地组织这个研究课题。提出的任务更具挑战性和实用性。2.提出了一种新的在线多模态哈希算法,并给出了一种高效的离散在线优化算法。为数据生成了一种新的语义增强表示,从而构造原创 2021-11-01 11:47:56 · 309 阅读 · 0 评论 -
Online Collective Matrix Factorization Hashing for Large-Scale Cross-Media Retrieval
Online Collective Matrix Factorization Hashing for Large-Scale Cross-Media Retrieval2020 SIGIRDi Wang XiDian University概要通过开发一种高效的在线优化方法,将CMFH扩展为在线学习模式。它增量地更新哈希函数以适应多模态数据流的变化,同时为当前到达的数据生成哈希码。提出的OCMFH可以在不访问原始旧数据的情况下,随哈希模型的变化动态更新旧数据的哈希码。这样可以很好地匹配新老数据原创 2021-10-29 22:10:23 · 152 阅读 · 0 评论 -
Label Embedding Online Hashing for Cross-Modal Retrieval
Label Embedding Online Hashing for Cross-Modal Retrieval2020 MMYongXin Wang ShanDong Universityonline hashing的研究问题:如何有效地利用语义信息如何离散地解决二进制优化问题如何高效地更新哈希码和哈希函数概要建立了一个包含标签相似性保持和标签重构的标签嵌入框架,可生成有区别的二进制码,降低了计算复杂度该算法不仅保留了输入数据的两两相似度,而且通过块相似矩阵上的内积极小化建立了原创 2021-10-27 22:08:53 · 345 阅读 · 0 评论 -
Flexible Online Multi-modal Hashing for Large-scale Multimedia Retrieval
Flexible Online Multi-modal Hashing for Large-scale Multimedia Retrieval2019-MMXu Lu Shandong Normal University概要:设计了一个灵活的在线多模态哈希学习框架。当多媒体实例以流方式到达时,即使部分模态缺失,它也可以生成有区别的多模态融合哈希码。具体地说,方法中的模态组合权值是通过一种有效的自加权方案来学习的,可以自适应地调整,从而捕获流多模态数据的变化。开发了一个有效的非对称监督在线哈希原创 2021-10-27 11:12:21 · 190 阅读 · 0 评论