COMAE：面向零样本哈希的全面属性探索
计算机视觉与模式识别
2025-05-20 v5
摘要
零样本哈希（ZSH）因其在大规模检索场景中的高效性和泛化能力而取得了显著成功。尽管取得了相当大的成功，但仍存在紧迫的局限性。现有工作忽略了表示和属性的局部关系，而这些关系在可见类和不可见类之间具有有效的可迁移性。此外，连续值属性也未得到充分利用。为此，我们为ZSH进行了全面的属性探索，命名为COMAE，通过三种精心设计的探索（即逐点、成对和类间一致性约束）描绘了从可见类到不可见类的关系。通过从提出的属性原型网络回归属性，COMAE学习与视觉属性相关的局部特征。然后COMAE利用对比学习全面描绘属性的上下文，而不是实例独立的优化。最后，设计类间约束以更有效地协同学习哈希码、图像表示和视觉属性。在流行的ZSH数据集上的实验结果表明，COMAE优于最先进的哈希技术，尤其是在具有更多不可见标签类的场景中。
引用
@article{arxiv.2402.16424,
title = {COMAE: COMprehensive Attribute Exploration for Zero-shot Hashing},
author = {Yuqi Li and Qingqing Long and Yihang Zhou and Ran Zhang and Zhiyuan Ning and Zhihong Zhu and Yuanchun Zhou and Xuezhi Wang and Meng Xiao},
journal= {arXiv preprint arXiv:2402.16424},
year = {2025}
}
备注
10 pages, 5 figures