用于跨模态检索的循环一致深度生成哈希
计算机视觉与模式识别
2018-12-26 v2
摘要
在本文中，我们提出一种新颖的跨模态检索深度生成方法，通过循环一致性损失在缺乏成对训练样本的情况下学习哈希函数。我们提出的方法采用对抗训练方案来学习一对能够实现模态间转换的哈希函数，同时假定潜在的语义关系。为了将具有语义的哈希码引入输入输出对，在对抗训练之上进一步提出循环一致性损失以加强输入与相应输出之间的相关性。我们的方法是生成式的，学习哈希函数使得所学哈希码能最大化地关联每个输入输出对应，同时也能重建输入以最小化信息损失。哈希嵌入的学习由此被执行为联合优化跨模态哈希函数的参数以及相关的生成模型。在多种大规模跨模态数据集上的大量实验表明，我们提出的方法取得了优于当前最优（state-of-the-art）的检索结果。
引用
@article{arxiv.1804.11013,
title = {Cycle-Consistent Deep Generative Hashing for Cross-Modal Retrieval},
author = {Lin Wu and Yang Wang and Ling Shao},
journal= {arXiv preprint arXiv:1804.11013},
year = {2018}
}
备注
To appeared on IEEE Trans. Image Processing. arXiv admin note: text overlap with arXiv:1703.10593 by other authors