通过查询优化用于细粒度图像检索的属性感知哈希码学习
计算机视觉与模式识别
2025-09-23 v1
摘要
细粒度哈希已成为快速高效图像检索的强大解决方案，尤其适用于需要在视觉上相似类别之间实现高区分度的场景。为使每个哈希位对应特定视觉属性，本文提出一种新方法，利用可学习的查询来实现属性感知哈希码学习。该方法部署一套量身定制的查询，用于捕获和表示哈希过程中细粒度属性层次信息，从而增强每个哈希位的可解释性和相关性。基于此查询优化框架，我们引入一个辅助分支，以缓解低位数哈希码常遇到的复杂优化挑战。该辅助分支模型高阶属性交互，强化生成哈希码的鲁棒性和特定性。实验结果表明，在基准数据集上，我们的方法生成的属性感知哈希码持续优于当前技术，在检索准确性和鲁棒性方面尤其在低位数哈希码方面表现突出，凸显了其在细粒度图像哈希任务中的潜力。
引用
@article{arxiv.2509.17049,
title = {Learning Attribute-Aware Hash Codes for Fine-Grained Image Retrieval via Query Optimization},
author = {Peng Wang and Yong Li and Lin Zhao and Xiu-Shen Wei},
journal= {arXiv preprint arXiv:2509.17049},
year = {2025}
}