基于联合个性化稀疏哈希的二值表示
计算机视觉与模式识别
2022-09-01 v1
摘要
由于对经济存储和二值码效率的需求，无监督哈希因二值表示学习而备受关注。其旨在汉明空间中编码高维特征，并保持实例间的相似性。然而，大多数现有方法在基于流形的方法中学习哈希函数。这些方法捕捉数据的局部几何结构（即成对关系），在处理产生相似特征（如颜色和形状）但语义信息不同的真实场景时性能不尽如人意。为应对这一挑战，本文提出一种有效的无监督方法，即联合个性化稀疏哈希（JPSH），用于二值表示学习。具体而言，首先提出一种新颖的个性化哈希模块，即个性化稀疏哈希（PSH）。构建不同的个性化子空间以反映不同簇的类别特定属性，自适应地将同一簇内实例映射到同一汉明空间。此外，我们对不同个性化子空间施加稀疏约束以选择重要特征。我们还汇集其他簇的优势来构建 PSH 模块，从而避免过拟合。然后，为在我们的 JPSH 中同时保留语义相似性与成对相似性，我们将 PSH 与基于流形的哈希学习无缝地纳入统一公式。如此，JPSH 不仅区分来自不同簇的实例，还保留簇内的局部邻域结构。最后，采用交替优化算法迭代求解 JPSH 模型的解析解。在四个基准数据集上的大量实验验证了 JPSH 在相似性搜索任务上优于若干哈希算法。
引用
@article{arxiv.2208.14883,
title = {Binary Representation via Jointly Personalized Sparse Hashing},
author = {Xiaoqin Wang and Chen Chen and Rushi Lan and Licheng Liu and Zhenbing Liu and Huiyu Zhou and Xiaonan Luo},
journal= {arXiv preprint arXiv:2208.14883},
year = {2022}
}