学习用于哈希的深度 $\ell_\infty$ 编码器
机器学习
2016-04-07 v1 计算机视觉与模式识别
摘要
我们利用深度学习工具研究了对量化误差表现出鲁棒性的 约束表示。基于交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)，我们通过引入新颖的有界线性单元(Bounded Linear Unit, BLU)神经元并将拉格朗日乘子建模为网络偏置，将原始凸最小化问题公式化为一个前馈神经网络，命名为 \textit{Deep Encoder}。此种结构先验充当有效的网络正则化，并便利模型初始化。随后，我们通过在监督成对损失下耦合所提出的编码器，研究该模型在哈希应用中的有效使用，从而开发出一个 \textit{Deep Siamese Network}，其可从端到端优化。大量实验展示了所提模型的优异性能。我们还提供了其与竞争对手相比行为的深入分析。
引用
@article{arxiv.1604.01475,
title = {Learning A Deep $\ell_\infty$ Encoder for Hashing},
author = {Zhangyang Wang and Yingzhen Yang and Shiyu Chang and Qing Ling and Thomas S. Huang},
journal= {arXiv preprint arXiv:1604.01475},
year = {2016}
}
备注
To be presented at IJCAI'16