面向大规模跨模态检索的高效离散监督哈希
机器学习
2019-05-07 v1 多媒体
机器学习
摘要
监督跨模态哈希因其令人满意的性能与效率，在大规模检索任务上获得了日益增长的研究关注。然而，仍存在若干具挑战性的问题有待深入研究：1）由于巨大的异构鸿沟，多数方法未能在哈希码中良好保持语义相关性；2）多数方法松弛了哈希码上的离散约束，导致较大量化误差及随之而来的低性能；3）多数方法在训练过程中面临相对较高的内存开销与计算复杂度，致使难以扩展。本文为应对上述问题，提出一种基于矩阵分解的监督跨模态哈希方法，称为高效离散监督哈希（EDSH）。具体而言，将异构特征上的集体矩阵分解与带类标签的语义嵌入无缝结合以学习哈希码。因此，基于特征的相似度与语义相关性均可保留于哈希码中，使所学哈希码更具判别力。随后提出一种高效离散优化算法以应对可扩展问题。该算法并非逐位学习哈希码，而是可直接获得哈希码矩阵，更为高效。在三个公开真实数据集上的广泛实验结果表明，EDSH 在准确率与可扩展性上均优于若干现有跨模态哈希方法。
引用
@article{arxiv.1905.01304,
title = {Efficient Discrete Supervised Hashing for Large-scale Cross-modal Retrieval},
author = {Tao Yao and Xiangwei Kong and Lianshan Yan and Wenjing Tang and Qi Tian},
journal= {arXiv preprint arXiv:1905.01304},
year = {2019}
}