具有空间注意力的深度序数哈希
计算机视觉与模式识别
2019-02-20 v1
摘要
由于哈希在计算与存储上的高效性，近年来其在图像检索中吸引了越来越多的研究关注。近期工作已证明利用深度神经网络同时学习特征表示与哈希函数的优越性。然而，大多数现有深度哈希方法直接通过编码全局语义信息来学习哈希函数，而忽略了图像的局部空间信息。局部空间结构的丢失造成了哈希函数的性能瓶颈，从而限制了其在精确相似性检索中的应用。本工作中，我们提出一种新颖的深度序数哈希（DOH）方法，其通过利用特征空间在局部与全局视角下的排序结构来学习序数表示。具体而言，为有效构建排序结构，我们提出通过同时利用全卷积网络（FCN）的局部空间信息与卷积神经网络（CNN）的全局语义信息来学习排序相关空间。更具体地，设计了一种有效的空间注意力模型，通过选择性地学习与目标物体密切相关的指定位置来捕获局部空间信息。在此哈希框架中，图像的局部空间与全局语义特性以端到端的排序到哈希方式被捕获。在三个广泛使用的数据集上的实验结果表明，所提 DOH 方法显著优于最先进的哈希方法。
引用
@article{arxiv.1805.02459,
title = {Deep Ordinal Hashing with Spatial Attention},
author = {Lu Jin and Xiangbo Shu and Kai Li and Zechao Li and Guo-Jun Qi and Jinhui Tang},
journal= {arXiv preprint arXiv:1805.02459},
year = {2019}
}