跨模态零样本哈希
机器学习
2019-08-21 v1 计算机视觉与模式识别
摘要
哈希因其低存储成本和快速查询速度而被广泛研究用于大数据检索。零样本哈希（Zero-shot Hashing, ZSH）旨在学习一个仅使用可见类别样本训练、但能很好地泛化到不可见类别样本的哈希模型。ZSH 通常利用类别属性来寻找语义嵌入空间，以将知识从可见类别迁移到不可见类别。因此，在标注数据不足时其性能可能较差。ZSH 方法主要面向单模态数据设计，这阻碍了其在广泛存在的多模态数据上的应用。另一方面，现有的跨模态哈希方案假设所有模态共享相同的类别标签，而实际上不同数据模态的标签可能不同。为解决这些问题，我们提出一种通用的跨模态零样本哈希（Cross-modal Zero-shot Hashing, CZHash）方案，以有效利用具有不同标签空间的未标注和已标注多模态数据。CZHash 首先利用标签和特征信息量化实例间的复合相似度，然后定义一个目标函数来实现与复合相似度保持、类别属性空间学习和哈希编码函数学习兼容的深度特征学习。CZHash 进一步引入交替优化过程来联合优化这些学习目标。在基准多模态数据集上的实验表明，CZHash 在有效性和适应性上均显著优于相关的代表性哈希方法。
引用
@article{arxiv.1908.07388,
title = {Cross-modal Zero-shot Hashing},
author = {Xuanwu Liu and Zhao Li and Jun Wang and Guoxian Yu and Carlotta Domeniconi and Xiangliang Zhang},
journal= {arXiv preprint arXiv:1908.07388},
year = {2019}
}