【Deep Hash】CNNH

最新推荐文章于 2022-05-19 13:14:28 发布
最新推荐文章于 2022-05-19 13:14:28 发布
阅读量1.7k 收藏 3
点赞数 1
文章标签： matlab 人工智能
原文链接：http://www.cnblogs.com/CSLaker/p/10096630.html
版权
CNNH是首个应用深度神经网络进行哈希检索的方法，它通过两阶段学习图像特征表示和哈希函数。第一阶段将相似矩阵分解为哈希矩阵，第二阶段用类别标签训练网络得到哈希函数，实现高效图像检索。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

[AAAI 2014] Supervised Hashing via Image Representation Learning [paper] [code]
Rongkai Xia , Yan Pan, Hanjiang Lai, Cong Liu, Shuicheng Yan.

1. Overcome

之前的哈希方法，大都使用手工的图像特征（如GIST等）作为图像的特征表达， 但是这些手工特征是采用无监督的方式提取的，难以很好得保存原始图片的语义信息。而深度深度神经网络可以很好得表达图像特征信息，因此作者便提出了基于深度的哈希检索方法——CNNH。

2. Contribute

  • 第一个采用深度神经网络解决哈希检索问题；
  • 采用coordinate descent method学习数据集的近似哈希编码，效率高，计算速度快；
  • 在学习哈希函数的同时可以得到图像的特征表达。

3. Algorithm

论文中，作者提出了一种监督哈希方法——CNNH，可以同时学习到图像的特征表达以及哈希函数。

CNNH具有两个阶段，Stage 1将相似矩阵分解为低维的哈希矩阵H，得到每个

最低0.47元/天 解锁文章
Deep Learning of Binary Hash Codes for Fast Image Retrieval
yinsuiqiang5136的博客
08-24 819
摘要 当数据label可用时，采深度网络来学习binary code，同时来表示图像深度表示特征。与其他基于pair-wise的方法不一样，该方法采用point-wise的思想。实验表明该方法在CIFAR-10 和 MNIST是state-of-the-art。同时在1百万张衣服图片的大规模数据集中验证该方法的可扩展性和有效性。 本文的思路和主要工作 有些基于pair-wise的方法通常使用...
图像检索：CNN对Hash组算法的颠覆
沈春旭的博客
08-02 6626
参看论文：Liu H, Wang R, Shan S, et al. Deep Supervised Hashing for Fast Image Retrieval[C]. computer vision and pattern recognition, 2016: 2064-2072. 会议水平：CVPR2016 供稿单位：中科院计算所 （中科院计算所、自动化所都是做图像处理的神一样的单位...
BitScalableDeepHash:该代码为“具有规则相似度学习的位可扩展深度哈希，用于图像检索和人员重新识别”。 IEEE TIP2015
05-07
BitScalableDeepHash 该代码为“具有规则相似度学习的位可扩展深度哈希，用于图像检索和人员重新识别”。 IEEE TIP2015 该解决方案包含张瑞茂研究项目的源代码： ://vision.sysu.edu.cn/projects/deephashing/ 源代码仅用于教育和研究，不作任何担保； 如果您使用源代码的任何部分，请引用相关文章： 张瑞茂，林亮，张瑞，左王萌，张磊。 “带有可归类的正规学习的位可扩展深度哈希，用于图像检索和人员重新识别。”，《 IEEE Trans》。 Image Process。，vol.24，no.12，pp.4766-4779，2015。 如果您对代码有任何疑问，请发送电子邮件至或 仅在具有CUDA 6.5.12的Ubantu 14.04（NVIDIA Tesla K40 GPU）上测试了此代码
deephash项目代码使用指北
持之以恒
11-01 167
指南 PASS： Microsoft Windows [版本 10.0.19043.1288] (c) Microsoft Corporation。保留所有权利。 (pytorch) E:\xd\DeepHash-pytorch-master\numpy-main>cd . (pytorch) E:\xd\DeepHash-pytorch-master\numpy-main>cd ~ 系统找不到指定的路径。 (pytorch) E:\xd\DeepHash-pytorch-master\n
DeepHash：深度学习哈希的开源程序包（DeepHash）
03-04
深度哈希 DeepHash是一种轻量级的深度学习哈希库，它实现了最新的深度哈希/量化算法。 我们将根据我们发布的持续实施更具代表性的深度哈希模型。 具体来说，我们欢迎其他研究人员根据我们的框架在该工具包中提供深层哈希模型。 我们将宣布对该项目的贡献。 实施的模型包括： DQN：，曹Yue，龙明生，王建民，韩涵，温庆福，AAAI人工智能大会（AAAI），2016 DHN：，韩涵，龙明生，王建民，曹跃，AAAI人工智能大会（AAAI），2016 DVSQ：，曹悦，龙明胜，王建民，刘诗辰，IEEE计算机视觉与模式识别会议（CVPR），2017 DCH： ，曹悦，龙明生，刘斌，王建民，IEEE计算机视觉与模式识别会议（CVPR），2018 DTQ： ，刘斌，曹岳，龙明生，王建民，王敬东，ACM多媒体（ACMMM），2018 注意：DTQ和DCH已更新，而DQN，DHN，DVSQ可能已
基于深度学习的计算机视觉： 原理与实践 （下部）
02-22
本课程适合具有一定深度学习基础，希望发展为深度学习之计算机视觉方向的算法工程师和研发人员的同学们。基于深度学习的计算机视觉是目前人工智能最活跃的领域，应用非常广泛，如人脸识别和无人驾驶中的机器视觉等。该领域的发展日新月异，网络模型和算法层出不穷。如何快速入门并达到可以从事研发的高度对新手和中级水平的学生而言面临不少的挑战。精心准备的本课程希望帮助大家尽快掌握基于深度学习的计算机视觉的基本原理、核心算法和当前的领先技术，从而有望成为深度学习之计算机视觉方向的算法工程师和研发人员。本课程系统全面地讲述基于深度学习的计算机视觉技术的原理并进行项目实践。课程涵盖计算机视觉的七大任务，包括图像分类、目标检测、图像分割（语义分割、实例分割、全景分割）、人脸识别、图像描述、图像检索、图像生成（利用生成对抗网络）。本课程注重原理和实践相结合，逐篇深入解读经典和前沿论文70余篇，图文并茂破译算法难点, 使用思维导图梳理技术要点。项目实践使用Keras框架(后端为Tensorflow)，学员可快速上手。通过本课程的学习，学员可把握基于深度学习的计算机视觉的技术发展脉络，掌握相关技术原理和算法，有助于开展该领域的研究与开发实战工作。另外，深度学习之计算机视觉方向的知识结构及学习建议请参见本人CSDN博客。本课程提供课程资料的课件PPT（pdf格式）和项目实践代码，方便学员学习和复习。本课程分为上下两部分，其中上部包含课程的前五章（课程介绍、深度学习基础、图像分类、目标检测、图像分割），下部包含课程的后四章（人脸识别、图像描述、图像检索、图像生成）。
【大规模图像检索的利器】Deep哈希算法介绍
liuheng0111的博客
10-11 3230
作者：程程 链接：https://zhuanlan.zhihu.com/p/21396173 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 前言 在最近邻搜索（nearest neighbor search）问题中，给定一个查询（query），目标是要找到空间中离它最近的点。这里所说的空间可以是任意的空间，比如特征空间，或者语义空间。具体来说，在图
CVPR 论文阅读与翻译2：图像检索、哈希编码学习、深度哈希：Deep Learning of Binary Hash Codes for Fast Image Retrieval-2015
weixin_41605888的博客
04-14 4478
Deep Learning of Binary Hash Codes for Fast Image Retrieval-2015 用于快速图像检索的深度学习二进制哈希码 本文记录博主CVPR阅读心得，如理解有误，请及时指正交流。THANKS! 相关链接 论文解读 论文动机 论文主要贡献 具体研究方案 论文实验 论文翻译 相关链接： 论文连接：https://www.ii...
Deep Semantic Ranking Based Hashing for Multi-Label Image Retrieval
yinsuiqiang5136的博客
08-23 1748
摘要 这篇paper提出了一种基于深度语义排序的方法来学习hash function，从而保证生成的hash code与多标签图像之间的多层次语义相似。该方法 中采用deep convolutional neural network来学习哈希函数，特征表示以及保持hash code与feature representations之间一致性，从而避免了用手动设计特征进行图像语义表示的限制；此外，采...
大规模图像检索的利器Deep——哈希算法介绍
热门推荐
lala_01的博客
09-22 2万+
来自36大数据（36dsj.com) 前言 在最近邻搜索(nearest neighbor search)问题中，给定一个查询(query)，目标是要找到空间中离它最近的点。这里所说的空间可以是任意的空间，比如特征空间，或者语义空间。具体来说，在图像检索这个问题中，每张图像对应空间中的一个点，而所谓的“近”既可以是外观上的近(看着像)，也可以是语义上的近(同类)。以下图为例，当我把左侧的
CNN的实现与理解
qq_33386711的博客
05-20 374
0 写在前 CNN做为经典机器学习的算法之一,是深度学习的基础.为此写了这篇博客,以记录学习中的所得. 1 训练集与训练标签的设置 本文适用于train为[None,X],其中None为样本,X为样本属性大小.labels为热编码后的标签.并使用mnist数据集.数据读取: import tensorflow as tf from tensorflow.examples.tutorials.mni...
卷积神经网络CNN理论到实践(1)
相国大人
05-31 1万+
作者：相国大人导读 卷积 在神经网络中使用卷积的原因 1 sparse interactions 2 parameter sharing 3 equivariant representations1. 导读卷积神经网络CNN常用于处理具有栅格拓扑特征的数据。时间序列数据可以看做是在固定时间间隔采样的一维网格数据；图像可以看做是由像素组成的一个二维网格。在实际应用中，具有很好的效果。也是进入深度学习领
图像检索文献翻译
TTdreamloong的博客
07-07 1348
Kiapour M H, Han X, Lazebnik S, et al. Where to Buy It: Matching StreetClothing Photos in Online Shops[C]// IEEE International Conference on ComputerVision. IEEE, 2015:3343-3351.1.介绍网上购物是一个成倍增长的市场。201...
用CNN做图像检索
walle的博客
10-11 1万+
https://github.com/willard-yuan/CNN-for-Image-Retrieval
深度学习入门:Supervised Hashing for Image Retrieval via Image Representation Learning
HAHA的专栏
07-07 7783
Supervised Hashing                     for Image Retrieval via Image Representation Learning       这篇论文主要是哈希方法引入CNN的首篇文章。核心思想是把一个image encode成为一个二进制表示的vector。这样做的好处是可以大幅度的减少存储feature的磁盘开销。该片pape
图像检索 Deep Hashing
m0_59233432的博客
05-19 1715
在检索任务中，Metric Learing是为了得到具有很好表征能力的特征向量， Deep Hashing则是为了得到具有很好表征能力的二值向量。 那么二值向量相比于一般的特征向量，优势在哪里呢？ 主要有两点： 更少的存储空间： 二值向量只有0和1, 可以节约大量的存储空间。以1024维的特征为例，如果是二值特征， 只需要1024 / 8 = 128byte. 如果是浮点特征， 需要的空间大小为1024 * 4 = 4KB。 相比之下，二值向量的存储空间为浮点特征的1/32. 更高的检索效率： 二值向量
图像检索哈希算法的发展史
最新发布
05-23
哈希算法在图像检索中的应用可以追溯到20世纪90年代。以下是哈希算法在图像检索中的发展史： 1. 早期的哈希算法：早期的哈希算法主要是基于局部特征的描述符，如SIFT、SURF等。这些算法通过计算局部特征点的描述符来生成哈希码，并通过汉明距离来计算相似度。 2. 基于二进制编码的哈希算法：为了提高哈希算法的速度和效率，研究人员开始将局部特征描述符转换为二进制编码，并使用基于二进制编码的哈希算法来生成哈希码。这些算法包括：LSH、ITQ等。 3. 深度学习哈希算法：随着深度学习的兴起，研究人员开始将深度学习应用于哈希算法的设计中。这些算法使用神经网络来学习图像的表示，并将其转换为哈希码。这些算法包括：DeepHash、CNNH等。 4. 聚合哈希算法：为了克服哈希算法的局限性，研究人员开始探索聚合哈希算法。这些算法使用多个哈希函数来生成多个哈希码，并将它们聚合成一个更长的哈希码。这些算法包括：AGH、BRE等。 总的来说，哈希算法在图像检索中的应用已经取得了很大的进展，未来还有很大的发展空间。
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