具有列表级监督的深度策略哈希网络
计算机视觉与模式识别
2019-04-04 v1
摘要
基于深度网络的哈希已成为大规模图像检索的主流方法，其学习一个保持相似性的网络，将相似图像映射到邻近的哈希码。成对损失与三元组损失是深度哈希中两种广泛使用的相似性保持方式。这些方式忽略了哈希是对二值码列表的预测任务这一事实。然而，以列表级监督学习深度哈希面临如下挑战：1）在深度网络批量大小通常很小的情况下，如何获得整个训练集的排序列表；2）如何利用列表级监督。本文提出了一种新颖的深度策略哈希架构，其并行学习两个系统：一个查询网络与一个共享且缓慢变化的数据库网络。以下三步重复直至收敛：1）数据库网络将所有训练样本编码为二值码以获得完整排序列表；2）基于策略学习训练查询网络，以最大化指示二值码整体排序列表性能（如平均精度均值（MAP））的奖励；3）数据库网络随查询网络更新。在多个基准数据集上的大量评估表明，所提方法相较最先进的哈希方法带来了实质性改进。
引用
@article{arxiv.1904.01728,
title = {Deep Policy Hashing Network with Listwise Supervision},
author = {Shaoying Wang and Haijiang Lai and Yifan Yang and Jian Yin},
journal= {arXiv preprint arXiv:1904.01728},
year = {2019}
}
备注
8 pages, accepted by ACM ICMR