用于图像哈希的深度强化学习
计算机视觉与模式识别
2019-02-26 v2
摘要
深度哈希方法近年来受到广泛关注,其借助深度网络强大的表示能力取得了令人瞩目的结果。然而,大多数现有深度哈希方法独立地学习一整组哈希函数,却忽略了不同哈希函数之间能够大幅提升检索精度的相关性。受深度强化学习序列决策能力的启发,我们提出了一种用于图像哈希的深度强化学习新方法(DRLIH)。我们提出的 DRLIH 方法将哈希学习问题建模为序列决策过程,通过纠正先前哈希函数带来的误差来学习每一个哈希函数,从而提升检索精度。据我们所知,这是首个从深度强化学习视角处理哈希问题的工作。我们提出的 DRLIH 方法的主要贡献可总结如下:(1) 我们提出了一种深度强化学习哈希网络。在该网络中,我们利用循环神经网络(RNN)作为智能体来建模哈希函数,其按顺序将图像投影为二值编码,从而使当前哈希函数的学习能考虑先前哈希函数的误差。(2) 我们提出了一种基于所提 DRLIH 的序列学习策略。我们将状态定义为 RNN 隐藏层内部特征与图像特征的元组,以反映智能体已做出的历史决策。我们还提出了一种动作组方法,以增强同组内哈希函数的相关性。在三个广泛使用的数据集上的实验证明了我们提出的 DRLIH 方法的有效性。
引用
@article{arxiv.1802.02904,
title = {Deep Reinforcement Learning for Image Hashing},
author = {Yuxin Peng and Jian Zhang and Zhaoda Ye},
journal= {arXiv preprint arXiv:1802.02904},
year = {2019}
}
备注
12 pages, submitted to IEEE Transactions on Multimedia