基于自适应二部图学习的非对称迁移哈希
计算机视觉与模式识别
2022-12-29 v2
摘要
得益于高效的检索速度和较低的存储消耗，哈希学习已被广泛应用于视觉检索任务。然而，现有哈希方法假设查询样本与检索样本位于同一域内的同质特征空间中，因此无法直接应用于异构跨域检索。本文提出一种广义图像迁移检索（GITR）问题，其面临两个关键瓶颈：1）查询样本与检索样本可能来自不同域，导致不可避免的域分布差异；2）两域特征可能异构或错位，带来额外的特征差异。为解决 GITR 问题，我们提出一种非对称迁移哈希（ATH）框架，并给出其无监督/半监督/有监督实现。具体而言，ATH 通过两个非对称哈希函数间的差异刻画域分布差异，并借助在跨域数据上构建的新型自适应二部图最小化特征差异。通过联合优化非对称哈希函数与二部图，不仅可实现知识迁移，还能避免特征对齐造成的信息损失。同时，为缓解负迁移，通过引入域亲和图保留单域数据的内在几何结构。在不同 GITR 子任务下的单域与跨域基准上的大量实验表明，与最先进的哈希方法相比，我们的 ATH 方法具有优越性。
引用
@article{arxiv.2206.12592,
title = {Asymmetric Transfer Hashing with Adaptive Bipartite Graph Learning},
author = {Jianglin Lu and Jie Zhou and Yudong Chen and Witold Pedrycz and Kwok-Wai Hung},
journal= {arXiv preprint arXiv:2206.12592},
year = {2022}
}