2018年ECCV ForestHash:Semantic Hashing With Shallow Random Forests and Tiny Convolutional Networks 的论文笔记,PPT形式在我的资源页(如下),仅供非商业用途,欢迎讨论。(博客会慢慢补。。。)
https://download.csdn.net/download/weixin_41125988/10742128
这篇论文融合了核方法、随机森林、CNN、哈希等方法。提出了ForestHash:对有相同语义信息的类别设计出具有一致性和独特性的哈希编码。流程大概是:random class grouping——>a non-conventional low-rank loss for CNN weak learner——>information-theoretic aggregation
其中low-rank loss低秩损失减少了类内的差异增加了类间差异,使用核范数优化。
文章着重结局的两个问题:
哈希码的独特性:随机分类+后续近似最优的码融合
哈希码的一致相似性:非传统的采用低秩损失的浅层CNN网络
随机森林: https://www.cnblogs.com/maybe2030/p/4585705.html
submodularity在机器学习中的应用: http://www-bcf.usc.edu/~shaddin/cs599fa13/slides/lec24.pdf
如果你想了解 submodular function optimization 方面的理论,推荐阅读《submodular function and optimization》(Satoru Fujishige, 2005);
为什么在图像中用哈希方法:https://www.cnblogs.com/chensheng-zhou/p/5464480.html
语义哈希:https://blog.csdn.net/lynnandwei/article/details/43231521