深度显著性哈希
计算机视觉与模式识别
2019-02-04 v2
摘要
近年来，哈希方法已被证明对大规模 Web 媒体检索有效且高效。然而，现有通用哈希方法在描述整体外观相似但存在细微差异的细粒度对象时判别力有限。为解决该问题，我们首次将注意力机制引入细粒度哈希码的学习中。具体而言，我们提出了一种新颖的深度哈希模型，称为深度显著性哈希（DSaH），其自动挖掘显著区域并同时学习保语义哈希码。DSaH 是一个由注意力网络与哈希网络组成的两步端到端模型。我们的损失函数包含三个基本组成部分：语义损失、显著性损失与量化损失。作为 DSaH 的核心，显著性损失引导注意力网络从图像对中挖掘判别性区域。我们在细粒度与通用检索数据集上进行了大量实验以评估性能。在细粒度数据集（包括 Oxford Flowers-17、Stanford Dogs-120 与 CUB Bird）上的实验结果表明，我们的 DSaH 在细粒度检索任务上表现最佳，并在 Stanford Dogs-120 与 CUB Bird 上比最强竞争者（DTQ）高出约 10%。在通用数据集（包括 CIFAR-10 与 NUS-WIDE）上，DSaH 也与几种最先进的哈希方法相当。
引用
@article{arxiv.1807.01459,
title = {Deep Saliency Hashing},
author = {Sheng Jin and Hongxun Yao and Xiaoshuai Sun and Shangchen Zhou and Lei Zhang and Xiansheng Hua},
journal= {arXiv preprint arXiv:1807.01459},
year = {2019}
}