图像检索系列一：Deep Learning of Binary Hash Codes for Fast Image Retrieval

最新推荐文章于 2022-06-19 13:01:38 发布
最新推荐文章于 2022-06-19 13:01:38 发布
阅读量9.7k 收藏 34
点赞数 6
分类专栏： 深度学习Deep Learning 图像检索Image Retrieval caffe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/zixiximm/article/details/53305024
版权

Deep Learning of Binary Hash Codes for Fast Image Retrieval 这篇文章发表在2015CVPR workshop

文章链接：http://www.cv-foundation.org/openaccess/content_cvpr_workshops_2015/W03/papers/Lin_Deep_Learning_of_2015_CVPR_paper.pdf

代码链接：https://github.com/kevinlin311tw/caffe-cvprw15


图一 算法框架流程

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

最低0.47元/天 解锁文章
眼观
关注
专栏目录
Deep Learning of Binary Hash Codes for Fast Image Retrieval 代码编译
AemikaChow
04-07 2963
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 Learning of Binary Hash Codes for Fast Image Retrieval
南有乔木NTU的博客
11-02 1804
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
图像检索系统《Deep Learning of Binary Hash Codes for Fast Image Retrieval》
南极企鹅
08-04 1319
引言总结2015年CVPR论文《Deep Learning of Binary Hash Codes for Fast Image Retrieval》，论文主要内容是利用卷积神经网络(CNN)来构建图像相似度检测的深度学习方法。主要思想是讲卷积神经网络来提取图像特征，并将特征转化为二值量，根据二值向量来计算图像的相似度。传统方法图像检索的基础便是提取图像的特征信息，提取的特征信息越丰富，在进行检索
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 4385
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...
图像检索入门：CVPR2015《Deep Learning of Binary Hash Codes for Fast Image Retrieval》
M_Z_G_Y的博客
09-20 2726
原文代码：https://github.com/kevinlin311tw/caffe-cvprw15 研究背景       在基于内容的图像检索（CBIR）中，使用深度学习的最为简单的方式是使用神经网络特征层的输出用于计算空间距离来判断相似度，但这样会导致浮点型数据储存消耗和维度灾难。 实际策略是使用近似最近邻（ANN）技术或基于Hash的方法来进行加速。这些方法将高维特征投影到较低维度空...
Deep Learning of Binary Hash Codes for Fast Image Retrieval_CVPR2015
walden的博客
12-19 2199
‎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
CNN实现的图像检索
09-08
以卷积网络的核心的图像检索，识别技术，将卷积网络的图像识别技术进一步的应用。以图搜图，未来检索技术的发展方向
基于深度学习的图像语义提取与图像检索技术研究
12-12
将深度学习应用于图像语义特征提取中，提出一种无监督的算法与朴素的基于深度学习的图像标注方法。
图像检索系统
03-13
完整的图像检索系统，很适合学习和运用，有完整的源码。
Deep Learning of Binary Hash Codes for Fast Image Retrieval_CVPR2015代码运行与思考
lipandeng1453的博客
04-13 608
文章参考：１，https://blog.csdn.net/u013087984/article/details/52023671                 ２，https://blog.csdn.net/u012871045/article/details/78839813作者个人网址：https://sites.google.com/site/kevinlin311tw/源代码：https...
Deep Learning of Binary Hash Codes for Fast Image Retrieval（2015）
持之以恒
03-11 116
基于pytorch框架实现 https://github.com/flyingpot/pytorch_deephash 知乎上面解读 https://zhuanlan.zhihu.com/p/23891866
计算机视觉（五）图像检索与识别
qq_45749702的博客
06-12 1200
如果不寻找新方法，那么： 250,000 张图像  ~ 310亿个图像对 – 每个图相对2秒 匹配 500台并行计算机需要1年才能完成计算 因此使用一种基于Bag-of-words models的Bof,即Bag of features。 图像纹理是什么？纹理是指图像中的重复模式，或纹理基元组成的结构。因此可以将图像的这种结构，生成类似词库的东西，用来提供检索图像视觉词袋模型( Bag-of-features )是当前计算机视觉领域中较为常用的图像表示方法。 视觉词袋模型来源于词袋模型(Bag-of-w
python图像检索_图像检索(4):IF-IDF,RootSift,VLAD
weixin_39573598的博客
12-19 579
TF-IDFRootSiftVLADTF-IDFTF-IDF是一种用于信息检索的常用加权技术，在文本检索中，用以评估词语对于一个文件数据库中的其中一份文件的重要程度。词语的重要性随着它在文件中出现的频率成正比增加，但同时会随着它在文件数据库中出现的频率成反比下降。像‘的’，‘我们’，‘地’等这些常用词在所有文章中出现的频率会很高，并不能很好的表征一个文档的内容。同样的在图像检索中也引入了IF-ID...
python实现图像检索的三种(直方图/OpenCV/哈希法)
haoji007的博客
05-27 2225
这篇文章主要介绍了python实现图像检索的三种(直方图/OpenCV/哈希法),文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧 简介： 本文介绍了图像检索的三种实现方式，均用python完成，其中前两种基于直方图比较，哈希法基于像素分布。 检索方式是：提前导入图片库作为检索范围，给出待检索的图片，将其与图片库中的图片进行比较，得出所有相似度后进行排序，从而检索结果为相似度由高到低的图片。由于工程中还包含Qt界面类、触发函数等其.
计算机视觉：图像检索
qq_51667621的博客
06-19 3869
基于BOW的图像检索
Deep Hashing for Compact Binary Codes Learning里的公式推导过程
最新发布
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 $\{x_i\}_{i=1}^n$ 和它们的标签 $\{y_i\}_{i=1}^n$，其中 $x_i$ 是输入数据，$y_i$ 是输出标签。 2. 然后，利用神经网络学习一个将输入数据映射到二进制码的哈希函数 $h(x_i)$，其中 $h(x_i)$ 是一个 $k$ 位的二进制向量，$k$ 是哈希码的长度。 3. 在深度哈希学习中，我们使用多个哈希函数来生成多个二进制码。因此，我们学习 $m$ 个哈希函数，每个哈希函数对应一个二进制码 $B_j$。 4. 对于每个输入数据 $x_i$，我们得到 $m$ 个哈希码 $B_j^i$，其中 $j=1,2,...,m$。 5. 然后，我们将这些哈希码组合成一个紧凑的二进制码 $b_i$，即 $b_i = [B_1^i, B_2^i, ..., B_m^i]$。 6. 确定损失函数，使得学习到的二进制码可以最大程度地保留数据之间的相似度。 7. 定义损失函数 $L$，其中 $L$ 由两部分组成：量化损失和分类损失。 8. 量化损失用于衡量哈希码的质量，分类损失用于保留数据之间的相似度。 9. 量化损失可以表示为：$L_{quan} = \sum_{i=1}^n\sum_{j=1}^m\frac{1}{2}(B_j^i - h_j(x_i))^2$，其中 $h_j(x_i)$ 是第 $j$ 个哈希函数的输出。 10. 分类损失可以表示为：$L_{cls} = -\sum_{i=1}^n\sum_{j=1}^n w_{ij}y_iy_j\log\sigma(b_i^Tb_j)$，其中 $w_{ij}$ 是样本 $i$ 和 $j$ 之间的相似度权重，$\sigma$ 是 sigmoid 函数。 11. 最终的损失函数可以表示为：$L = \lambda L_{quan} + L_{cls}$，其中 $\lambda$ 是量化损失的权重。 12. 在训练过程中，我们使用反向传播算法来优化损失函数，学习到最优的哈希函数和二进制码。 这就是 "Deep Hashing for Compact Binary Codes Learning" 论文中深度哈希算法的公式推导过程。
评论 6
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