HCLAE：用于近似最近邻搜索的高容量局部聚合编码
计算机视觉与模式识别
2015-09-18 v1
摘要
基于向量量化的方法在解决对许多应用至关重要的近似最近邻（ANN）问题方面是成功的。其思想是生成有效的编码以实现快速的距离近似。我们提出基于量化的方法应该精细地划分数据空间并展现数据集的局部性，以实现高效的非穷举搜索。为此，本文引入了高容量局部聚合编码（HCLAE）的概念，并提出了字典退火（DA），通过模拟退火过程来学习 HCLAE。其量化误差低于其他 state-of-the-art。DA 算法可以很容易地扩展到在线学习方案，允许有效处理大规模数据。此外，我们提出了聚合树（A-Tree），这是一种使用 HCLAE 执行高效 ANN 搜索的非穷举搜索方法。与 state-of-the-art 相比，A-Tree 在 ANN 搜索任务上实现了数量级的加速。
引用
@article{arxiv.1509.05194,
title = {HCLAE: High Capacity Locally Aggregating Encodings for Approximate Nearest Neighbor Search},
author = {Shicong Liu and Junru Shao and Hongtao Lu},
journal= {arXiv preprint arXiv:1509.05194},
year = {2015}
}