用于高效跨模态哈希的联合聚类单例损失
信息检索
2019-02-05 v1
摘要
随着多模态数据类型的快速增长，跨模态深度哈希因能高效解决跨模态检索问题而受到广泛关注。大多数跨模态哈希方法遵循传统的有监督哈希框架，其中为训练生成 O(n^2) 数据对和 O(n^3) 数据三元组，但由于大规模数据集复杂度高，训练过程效率较低。为解决这些问题，我们提出一种新颖高效的跨模态哈希算法，其中引入了单例损失。首先，我们引入复杂度为 O(n) 的跨模态单例损失（CMUL），以桥接传统三元组损失与基于分类的单例损失，并在 CMUL 中给出了结构化多标签数据三元组损失的更紧界。其次，我们提出新颖的联合聚类跨模态哈希（JCCH）算法用于高效哈希学习，其中融入了 CMUL。所得哈希码形成若干聚类，同一聚类中的哈希码共享相似语义信息，且通过共享聚类减小了不同模态间的异质性鸿沟。所提算法可应用于各类数据，在大规模数据集上的实验表明，该方法优于或可与最先进的跨模态哈希方法相媲美，且训练效率高于其他方法。
引用
@article{arxiv.1902.00644,
title = {Joint Cluster Unary Loss for Efficient Cross-Modal Hashing},
author = {Shifeng Zhang and Jianmin Li and Bo Zhang},
journal= {arXiv preprint arXiv:1902.00644},
year = {2019}
}