基于码记忆对比量化的无监督图像检索
计算机视觉与模式识别
2022-03-09 v2 人工智能
信息检索
摘要
计算和存储的高效率使得哈希（包括二值哈希和量化）成为大规模检索系统中的常用策略。为减轻对昂贵标注的依赖，无监督深度哈希成为一个重要的研究问题。本文提出一种无监督深度量化的新方案，即带码记忆的对比量化（MeCoQ）。与现有的基于重建的策略不同，我们通过对比学习来学习无监督二值描述子，能更好地捕捉有判别力的视觉语义。此外，我们揭示码字多样性正则化对于防止基于对比学习的量化发生模型退化至关重要。而且，我们引入了一种新颖的量化码记忆模块，与常规特征记忆相比能以更低的特征漂移提升对比学习。在基准数据集上的大量实验表明MeCoQ优于最先进的方法。代码和配置已公开于https://github.com/gimpong/AAAI22-MeCoQ。
引用
@article{arxiv.2109.05205,
title = {Contrastive Quantization with Code Memory for Unsupervised Image Retrieval},
author = {Jinpeng Wang and Ziyun Zeng and Bin Chen and Tao Dai and Shu-Tao Xia},
journal= {arXiv preprint arXiv:2109.05205},
year = {2022}
}
备注
Accepted for AAAI'22 (Oral). 9 pages, 4 figures, 3 tables