面向跨模态相似度检索的判别监督哈希
机器学习
2019-04-19 v3 计算机视觉与模式识别
多媒体
摘要
凭借低存储成本和高检索效率的优势，哈希技术近来成为跨模态相似度检索中的一个新兴课题。由于多模态数据反映相似的语义内容，许多研究致力于学习统一的二进制编码。然而，这些方法学到的判别性哈希特征尚不充分，导致准确率和鲁棒性较低。我们提出了一种新颖的哈希学习框架，联合执行分类器学习、子空间学习和矩阵分解以保留类特定的语义内容，称为判别监督哈希（Discriminative Supervised Hashing, DSH），从而为多模态数据学习判别性的统一二进制编码。此外，为减少信息损失并保留数据的非线性结构，DSH 将不同模态非线性地投影到公共空间中，从而可以度量异构数据点之间的相似性。在三个公开数据集上进行的广泛实验表明，本文提出的框架优于几种 SOTA 方法。
引用
@article{arxiv.1812.07660,
title = {Discriminative Supervised Hashing for Cross-Modal similarity Search},
author = {Jun Yu and Xiao-Jun Wu and Josef Kittler},
journal= {arXiv preprint arXiv:1812.07660},
year = {2019}
}
备注
7 pages,3 figures,4 tables;The paper is under consideration at Image and Vision Computing