-
题名具有性能感知排序的深度监督哈希用于多标签图像检索
- 1
-
-
作者
张志升
曲怀敬
谢明
张汉元
-
机构
山东建筑大学信息与电气工程学院
-
出处
《计算机应用研究》
CSCD
北大核心
2024年第7期2221-2228,共8页
-
基金
国家自然科学基金资助项目(62003191)
山东省自然科学基金资助项目(ZR2014FM016)。
-
文摘
现实生活中的图像大多具有多种标签属性。对于多标签图像,理想情况下检索到的图像应该按照与查询图像相似的程度降序排列,即与查询图像共享的标签数量依次递减。然而,大多数哈希算法主要针对单标签图像检索而设计,而且现有用于多标签图像检索的深度监督哈希算法忽略了哈希码的排序性能且没有充分地利用标签类别信息。针对此问题,提出了一种具有性能感知排序的深度监督哈希方法(deep supervised hashing with performance-aware ranking,PRDH),它能够有效地感知和优化模型的性能,改善多标签图像检索的效果。在哈希学习部分,设计了一种排序优化损失函数,以改善哈希码的排序性能;同时,还加入了一种空间划分损失函数,将具有不同数量的共享标签的图像划分到相应的汉明空间中;为了充分地利用标签信息,还鲜明地提出将预测标签用于检索阶段的汉明距离计算,并设计了一种用于多标签分类的损失函数,以实现对汉明距离排序的监督及优化。在三个多标签基准数据集上进行的大量检索实验结果表明,PRDH的各项评估指标均优于现有先进的深度哈希方法。
-
关键词
深度监督哈希
多标签图像检索
排序
标签信息
-
Keywords
deep supervised hashing
multi-label image retrieval
ranking
label information
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于伪成对标签的深度无监督哈希学习
被引量:5
- 2
-
-
作者
林计文
刘华文
-
机构
浙江师范大学数学与计算机科学学院
-
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2020年第3期258-267,共10页
-
基金
国家自然科学基金项目(No.61572443)
浙江省自然科学基金项目(No.LY14F020019)资助。
-
文摘
无监督的深度哈希学习方法由于缺少相似性监督信息,难以获取高质量的哈希编码.因此,文中提出端到端的基于伪成对标签的深度无监督哈希学习模型.首先对由预训练的深度卷积神经网络得到的图像特征进行统计分析,用于构造数据的语义相似性标签.再进行基于成对标签的有监督哈希学习.在两个常用的图像数据集CIFAR-10、NUS-WIDE上的实验表明,经文中方法得到的哈希编码在图像检索上的性能较优.
-
关键词
哈希学习
深度无监督哈希学习
伪标签
近似最近邻搜索
图像检索
-
Keywords
Learning to Hash
Deep Unsupervised Hashing
Pseudo Label
Approximate Nearest Neighbor Search
Image Retrieval
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度多监督哈希的快速图像检索
- 3
-
-
作者
郁延珍
-
机构
复旦大学计算机科学技术学院
-
出处
《计算机应用与软件》
北大核心
2019年第11期229-234,共6页
-
基金
国家重点研发计划项目(2016YFC0801003)
上海市科委科研计划项目(17511108504)
-
文摘
由于较低的检索时间和空间复杂度,哈希方法被广泛应用于大规模图像检索领域.提出深度多监督哈希(Deep Multi-Supervised Hashing,DMSH)方法来学习具有高度判别能力和紧凑的哈希编码,并进行有效的图像检索.设计一个新的卷积神经网络结构来产生相似性保留的哈希编码,用一个识别信号来增加类间距离,用一个验证信号来降低类间距离.同时,通过正则化的方式降低网络输出和二进制哈希编码之间的损失并使二进制哈希值在每一维上均匀分布使网络输出更接近离散的哈希值.在两个数据集上的实验证明了该方法能够快速编码任意新的图像并取得先进的检索结果.
-
关键词
图像检索
深度多监督哈希
卷积神经网络
-
Keywords
Image retrieval
Deep multi-supervised hashing
Convolutional neural network
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名面向图像检索的深度汉明嵌入哈希
被引量:5
- 4
-
-
作者
林计文
刘华文
郑忠龙
-
机构
浙江师范大学数学与计算机科学学院
-
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2020年第6期542-550,共9页
-
基金
国家自然科学基金项目(No.61976195,61672467)
浙江省自然科学基金项目(No.LY18F020019)资助。
-
文摘
深度卷积神经网络学习的图像特征表示具有明显的层次结构.随着层数加深,学习的特征逐渐抽象,类的判别性也逐渐增强.基于此特点,文中提出面向图像检索的深度汉明嵌入哈希编码方式.在深度卷积神经网络的末端插入一层隐藏层,依据每个单元的激活情况获得图像的哈希编码.同时根据哈希编码本身的特征提出汉明嵌入损失,更好地保留原数据之间的相似性.在CIFAR-10、NUS-WIDE基准图像数据集上的实验表明,文中方法可以提升图像检索性能,较好改善短编码下的检索性能.
-
关键词
哈希学习
深度监督哈希
相似性搜索
图像检索
-
Keywords
Learning to Hash
Deep Supervised Hashing
Similarity Search
Image Retrieval
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-