平均局部组平均精度 (mLGAP)：一种用于基于哈希检索的新性能度量
计算机视觉与模式识别
2018-11-27 v1 机器学习
摘要
近年来，由于对支持大规模数据库（如在线图像）中高效搜索/检索的紧凑表示的需求，关于视觉数据哈希技术的研究受到越来越多关注。在众多可能中，平均精度均值（mAP）已成为基于哈希检索的主导性能度量。mAP 一个明显的缺陷是它无法平衡检索精度与哈希码的利用率：推动系统获得更高 mAP 将不可避免地导致哈希码利用率变差。哈希码利用率差会因哈希空间中样本碰撞增加而阻碍良好检索。这意味着给出更高 mAP 值的模型未必在检索中做得更好。在本文中，我们引入一种名为平均局部组平均精度（mLGAP）的新度量，以更好地评估基于哈希检索的性能。新度量提供了一种检索性能测度，同时也调和了哈希码的利用率，从而比 mAP 等传统度量更具实际意义的性能度量。为此，我们首先对 mAP 用于基于哈希检索的缺陷进行数学分析。随后提出 mLGAP 并说明其为何更适用于基于哈希检索。图像检索上的实验被用于证明所提度量的有效性。
引用
@article{arxiv.1811.09763,
title = {Mean Local Group Average Precision (mLGAP): A New Performance Metric for Hashing-based Retrieval},
author = {Pak Lun Kevin Ding and Yikang Li and Baoxin Li},
journal= {arXiv preprint arXiv:1811.09763},
year = {2018}
}