深度动量不确定性哈希
计算机视觉与模式识别
2021-07-14 v3
摘要
组合优化（CO）因其理论和实际重要性一直是一个热门研究课题。作为经典的 CO 问题，深度哈希旨在从有限的离散可能性中为每个数据找到最优码，而离散特性给优化过程带来了巨大挑战。以往的方法通常通过二值近似来缓解这一挑战，通过激活函数或正则化用二值码代替实数值。然而，这种近似导致了实数值与二值码之间的不确定性，降低了检索性能。本文提出了一种新颖的深度动量不确定性哈希（DMUH）。它在训练期间显式估计不确定性，并利用不确定性信息来指导近似过程。具体而言，我们通过测量哈希网络的输出与动量更新网络的输出之间的差异来建模比特级不确定性。每个比特的差异表示哈希网络对该比特近似输出的不确定性。同时，哈希码中所有比特的平均差异可视为图像级不确定性。它体现了哈希网络对相应输入图像的不确定性。在优化过程中，具有较高不确定性的哈希比特和图像会被给予更多关注。据我们所知，这是首个研究哈希比特中不确定性的工作。在四个数据集上进行了大量实验以验证我们方法的优越性，包括 CIFAR-10、NUS-WIDE、MS-COCO 和百万规模数据集 Clothing1M。我们的方法在所有数据集上均取得了最佳性能，并以大幅优势超越了现有的 SOTA 方法。
引用
@article{arxiv.2009.08012,
title = {Deep Momentum Uncertainty Hashing},
author = {Chaoyou Fu and Guoli Wang and Xiang Wu and Qian Zhang and Ran He},
journal= {arXiv preprint arXiv:2009.08012},
year = {2021}
}