面向高效图像与视频检索的中心相似度量化
计算机视觉与模式识别
2020-04-01 v5
摘要
现有的数据依赖哈希方法通常从成对或三元组数据关系中学习哈希函数，这些关系仅局部地捕捉数据相似性，往往导致学习效率低和碰撞率低。本文提出一种新的全局相似性度量，称为中心相似度，鼓励相似数据对的哈希码趋近一个共同中心，而不相似数据对的哈希码收敛到不同中心，以提高哈希学习效率和检索精度。我们通过引入一个新概念——哈希中心（指在汉明空间中彼此具有足够距离的一组数据点）来原则性地形式化所提出的中心相似度度量的计算。随后，我们提供了一种利用哈达玛矩阵和伯努利分布构造良好分离的哈希中心的高效方法。最后，我们提出中心相似度量化（CSQ），它优化数据点相对于其哈希中心的中心相似度，而非优化局部相似度。CSQ 具有通用性，适用于图像和视频哈希场景。在大规模图像和视频检索任务上的大量实验表明，CSQ 能为相似数据对生成凝聚的哈希码，为不相似数据对生成分散的哈希码，在检索性能上取得显著提升，即 mAP 较先前最优方法提升 3%-20%。代码见：https://github.com/yuanli2333/Hadamard-Matrix-for-hashing
引用
@article{arxiv.1908.00347,
title = {Central Similarity Quantization for Efficient Image and Video Retrieval},
author = {Li Yuan and Tao Wang and Xiaopeng Zhang and Francis EH Tay and Zequn Jie and Wei Liu and Jiashi Feng},
journal= {arXiv preprint arXiv:1908.00347},
year = {2020}
}
备注
CVPR2020, Codes: https://github.com/yuanli2333/Hadamard-Matrix-for-hashing