Deep Learning of Binary Hash Codes for Fast Image Retrieval（代码跑通了）

最新推荐文章于 2022-05-13 00:47:36 发布
最新推荐文章于 2022-05-13 00:47:36 发布
阅读量195 收藏 3
点赞数
分类专栏： pytorch学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46815330/article/details/118998518
版权

deephash:项目地址
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

(pytorch14) liuyitao@gpu3:~/XIAN_AI/xuda/deephash/pytorch_deephash-master$ python train.py
Files already downloaded and verified
Files already downloaded and verified
Use device: cuda:0

Epoch: 1
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:13<00:00,  3.32it/s, loss=0.6362
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.58it/s, loss=0.6217

Epoch: 2
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.30it/s, loss=0.5231
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.60it/s, loss=0.3469

Epoch: 3
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.31it/s, loss=0.3108
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.61it/s, loss=0.5042

Epoch: 4
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.28it/s, loss=0.4512
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.58it/s, loss=0.2753

Epoch: 5
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:11<00:00,  3.32it/s, loss=0.2083
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.59it/s, loss=0.2827

Epoch: 6
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.30it/s, loss=0.3162
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.56it/s, loss=0.3616

Epoch: 7
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.31it/s, loss=0.2319
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.56it/s, loss=0.2556

Epoch: 8
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.30it/s, loss=0.2609
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.48it/s, loss=0.3236

Epoch: 9
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.30it/s, loss=0.3572
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.59it/s, loss=0.2844

Epoch: 10
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.31it/s, loss=0.1309
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.58it/s, loss=0.2122

Epoch: 11
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:13<00:00,  3.28it/s, loss=0.2543
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.61it/s, loss=0.2831

Epoch: 12
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:11<00:00,  3.32it/s, loss=0.2090
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.59it/s, loss=0.3498

Epoch: 13
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.32it/s, loss=0.3207
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.61it/s, loss=0.1783

Epoch: 14
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.30it/s, loss=0.2262
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.61it/s, loss=0.2317

Epoch: 15
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.32it/s, loss=0.1671
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.58it/s, loss=0.3421

Epoch: 16
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:11<00:00,  3.32it/s, loss=0.2480
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.60it/s, loss=0.3196

Epoch: 17
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:11<00:00,  3.31it/s, loss=0.1268
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.60it/s, loss=0.3054

Epoch: 18
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.32it/s, loss=0.2221
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.59it/s, loss=0.3146

Epoch: 19
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.31it/s, loss=0.2045
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.60it/s, loss=0.4702

Epoch: 20
Training: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████| 391/391 [02:12<00:00,  3.32it/s, loss=0.1803
Testing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████| 100/100 [00:21<00:00,  4.59it/s, loss=0.3141
Saving


Last login: Thu Jul 22 04:37:16 2021 from 192.168.0.100
liuyitao@gpu3:~$ cd XIAN_AI/
liuyitao@gpu3:~/XIAN_AI$ cd xuda 
liuyitao@gpu3:~/XIAN_AI/xuda$ cd deephash/
liuyitao@gpu3:~/XIAN_AI/xuda/deephash$ cd pytorch_deephash-master/
liuyitao@gpu3:~/XIAN_AI/xuda/deephash/pytorch_deephash-master$ source ~/.bashrc
(base) liuyitao@gpu3:~/XIAN_AI/xuda/deephash/pytorch_deephash-master$ conda activate pytorch14
(pytorch14) liuyitao@gpu3:~/XIAN_AI/xuda/deephash/pytorch_deephash-master$ python evaluate.py --pretrained 91.43
Files already downloaded and verified
Files already downloaded and verified
Use device: cuda:0
Use device: cuda:0
Query: 100%|████████████████████████████████████████████████████████████████████████████████████████████| 1000/1000 [00:24<00:00, 40.43it/s, Average Precision=0.99172]
precision at k: [0.88859    0.890195   0.891215   0.89211167 0.89279375 0.893172  ]
precision within Hamming radius 2: 0.8368459338192588
mAP: 0.8841768181060734
Total query time: 24.981330633163452
范德彪陕西分彪
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
Deep Learning of Binary Hash Codes for Fast Image Retrieval
南有乔木NTU的博客
11-02 1773
Deep Learning of Binary Hash Codes for Fast Image Retrieval论文下载地址 这是一篇台湾中研院发表在CVPR2015年的文章。 之前deep hash，一般来说，网络根据图像的label，输入一个二元组或者三元组，利用CNN网络提取出图像的特征，根据相同的label应该具备比较接近的海明距离作为网络的优化目标，然后提出一种新的目标函数，采用
HashNet: Deep Learning to Hash by Continuation∗
最新发布
h3214463785的博客
06-23 868
学习哈希已经被广泛应用于大规模多媒体检索的近似最近邻搜索中，由于其计算效率和检索质量。深度学习哈希通过端到端表示学习和哈希编码来提高检索质量，最近受到越来越多的关注。由于优化具有符号激活功能的深度学习哈希方法存在病态梯度困难，现有方法需要首先学习连续表示，并在分离的二值化步骤中生成二进制哈希代码，这会导致严重降低检索质量。损失函数的设计不合理。在传统的哈希方法中，二进制哈希码通常是通过阈值函数对连续向量进行二值化得到的。
DeepHash-pytorch:一些深度哈希算法的实现，包括DPSH，DSH，DHN，HashNet，DSDH，DTSH，DFH，GreedyHash，CSQ
05-01
深哈希火炬 一些Deep Hash算法基线的实现。 怎么跑 我的环境是 python==3.7.0 torchvision==0.5.0 pytorch==1.4.0 您可以轻松地训练和测试任何算法 pyhon DSH.py pyhon DPSH.py pyhon DHN.py pyhon DSDH.py 如果您有任何问题，请随时通过电子邮件（ ）与我联系或提出问题。 精确召回曲线 我在DSH.py中添加了一些代码： if "cifar10-1" == config["dataset"] and epoch > 29: P, R = pr_curve(trn_binary.numpy(), tst_binary.numpy(), trn_label.numpy(), tst_label.numpy()) print(f'Precision
Python-DeepHash深度学习哈希的开源软件包DeepHash
08-09
An Open-Source Package for Deep Learning to Hash (DeepHash)
【论文复现】基于 PaddlePaddle 实现 HashNet
m0_63642362的博客
05-13 564
转自AI Studio，原文链接： 【论文复现】基于 PaddlePaddle 实现 HashNet - 飞桨AI Studio 【论文复现-图像检索】基于 PaddlePaddle 实现 HashNet(ICCV2017) 原论文：HashNet: Deep Learning to Hash by Continuation. 官方原版代码（基于caffe/PyTorch）HashNet. 第三方参考代码（基于PyTorch）DeepHash-pytorch. 本项目G
Rotation Invariant Deep Binary Hashing for Fast Image Retrieval
02-22
Rotation Invariant Deep Binary Hashing for Fast Image Retrieval
Binary Generative Adversarial Networks for Image Retrieval
10-21
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...
Deep Hashing for Compact Binary Codes Learning
10-21
简单的介绍了DH（深度哈希），文章是2015年 CVPR 的文章，虽然论文中实验结果并不是很好，但是文章的想法还是很有创新性的：采用深度神经网络。
python版本的各种hash算法
03-08
python版本的各种hash算法
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
DeepHash:深度学习和散列的广泛组件
06-16
深哈希 用于深度学习和散列的基本 Python 模块
Image Retrieval Based on Structured Local Binary Kirsch Pattern
02-09
<br> <br>
Pytorch教程（Deep-Learning-with-PyTorch）
tangilbe1996的博客
02-07 1409
这里写自定义目录标题Pytorch教程（Deep-Learning-with-PyTorch）pytorch之父推荐的书，pytorch最好的教程，分享给大家学习。需要的朋友自行下载。 Pytorch教程（Deep-Learning-with-PyTorch） pytorch之父推荐的书，pytorch最好的教程，分享给大家学习。需要的朋友自行下载。 https://72k.us/file/2...
图像检索系列一：Deep Learning of Binary Hash Codes for Fast Image Retrieval
眼观
11-23 9733
这篇文章的想法很巧妙，在一个深层CNN的最后一个全连接层（fc8）和倒数第二个全连接层（fc7）之间加了一层全连接隐层，就是图一中绿色的latent layer （H）。这样一来，既可以得到深层的CNN特征，文中主要用的是fc7的特征，还可以得到二分的哈希编码，即来自H。这个隐层H不仅是对fc7的一个特征概括，而且是一个连接CNN网络的中层特征与高层特征的桥梁。
Deep Learning of Binary Hash Codes for Fast Image Retrieval_CVPR2015
walden的博客
12-19 2186
‎被引用次数：126 作者个人网址：https://sites.google.com/site/kevinlin311tw/ 源代码：https://github.com/kevinlin311tw/caffe-cvprw15 AlexNet网址：https://github.com/BVLC/caffe/blob/master/models/bvlc_alexnet/train_val
深度学习与计算机视觉(11)_基于deep learning的快速图像检索系统
热门推荐
寒小阳
03-11 5万+
本系统是基于CVPR2015的论文《Deep Learning of Binary Hash Codes for Fast Image Retrieval》实现的海量数据下的基于内容图片检索系统，250w图片下，对于给定图片，检索top 1000相似时间约为1s，其基本背景和原理会在下文提到。 2.基本问题与技术 大家都知道，基于内容的图像检索系统是根据图像的内容，在已有图像集中找到最『相近』的图片。而这类系统的
Deep Learning of Binary Hash Codes for Fast Image Retrieval 代码编译
AemikaChow
04-07 2945
2015年CVPR上的一篇文章，具体内容还没有细看，等细看了感觉有需要的话再另外做paper的笔记。 毕竟刚配好了caffe， 决定先把代码扒下来运行运行。 文献应该很容易搜到，各大高校的数据库应该都有的，万一实在要是没有，私我我给你发过去（代码下载的地址： https://github.com/kevinlin311tw/caffe-cvprw15）。 首先就碰到了一个大坑..
Deep Hashing for Compact Binary Codes Learning里的公式推导过程
06-09
"Deep Hashing for Compact Binary Codes Learning" 是一篇关于深度哈希学习的论文。该论文提出了一种用于学习紧凑二进制码的深度哈希算法。以下是该论文中深度哈希算法的公式推导过程： 1. 首先，给定一个训练集 $...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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