基于生成对抗网络的深度语义哈希
计算机视觉与模式识别
2018-04-24 v1 信息检索
摘要
哈希是大规模图像检索任务中最近邻搜索被广泛采用的技术。近期研究表明，利用监督信息可带来高质量哈希。然而，标注数据的成本常是将监督哈希应用于新领域时的障碍。此外，由于训练与测试阶段的数据可能来自相似但不同的分布，结果会受鲁棒性问题影响。本文研究通过半监督生成对抗网络（GANs）生成合成数据，其利用大量无标注与有限标注训练数据产生具有内在不变性与全局一致性的极具说服力数据，以更好理解自然数据的统计结构。我们证明上述两个局限可通过将合成数据用于哈希得到很好缓解。具体地，提出一种基于 GANs 的深度语义哈希（DSH-GANs），其主要由四部分构成：用于学习图像表示的深度卷积神经网络（CNN）、区分合成与真实图像的对抗流、将图像表示编码为哈希码的哈希流以及分类流。整个架构通过联合优化三个损失端到端训练，即用于校正每个样本为合成或真实的对抗损失、用于保持输入真实-合成三元组中相对相似性排序的三元排序损失以及用于准确分类每个样本的分类损失。在 CIFAR-10 与 NUS-WIDE 图像基准上的大量实验验证了利用合成图像进行哈希的能力。与最先进深度哈希模型相比，我们的框架也取得了更优结果。
引用
@article{arxiv.1804.08275,
title = {Deep Semantic Hashing with Generative Adversarial Networks},
author = {Zhaofan Qiu and Yingwei Pan and Ting Yao and Tao Mei},
journal= {arXiv preprint arXiv:1804.08275},
year = {2018}
}
备注
SIGIR 2017 Oral