基于三元组量化损失的深度哈希
计算机视觉与模式识别
2017-11-01 v1
摘要
随着图像数据库的爆炸式增长，学习图像紧凑二值描述子的深度哈希已成为快速图像检索的关键。许多现有深度哈希方法利用量化损失（定义为量化前后特征之间的距离）来降低特征二值化带来的误差。虽然最小化量化损失保证了量化对检索精度影响极小，却不巧地在量化前就显著降低了特征的表征能力。本文中，我们指出上述量化损失的定义过于受限，事实上对于维持高检索精度并非必要。因此我们提出了一种在三元组中度量的新形式量化损失。三元组量化损失的核心思想是学习判别性的实值描述子，使量化后检索精度损失最小。在两个广泛使用、不同规模的基准数据集 CIFAR-10 和 In-shop 上的大量实验表明，所提方法优于当前最优（SOTA）深度哈希方法。此外，我们表明通过三元组量化损失获得的紧凑二值描述子在量化后导致的性能下降非常小。
引用
@article{arxiv.1710.11445,
title = {Deep Hashing with Triplet Quantization Loss},
author = {Yuefu Zhou and Shanshan Huang and Ya Zhang and Yanfeng Wang},
journal= {arXiv preprint arXiv:1710.11445},
year = {2017}
}
备注
4 pages, to be presented at IEEE VCIP 2017