使用 GAN 生成伪造图像正则化深度哈希网络
计算机视觉与模式识别
2018-09-05 v2
摘要
近年来，基于深度网络的哈希（深度哈希）已成为大规模图像检索的主导方法。它旨在通过深度网络为图像学习紧凑的按位表示，从而将相似图像映射到相近的哈希码。由于深度网络模型通常具有大量参数，对于我们现有的训练数据而言可能过于复杂，从而导致模型过拟合。为了解决这个问题，本文提出了一种简单的两阶段流水线来学习深度哈希模型，通过使用伪造图像对深度哈希网络进行正则化。第一阶段是通过生成对抗网络（GAN）从原始训练集生成伪造图像，无需额外数据。在第二阶段，我们提出了一种深度架构来学习哈希函数，其中我们使用基于最大熵的损失来整合由 GAN 新创建的伪造图像。我们表明，该损失通过惩罚低熵输出哈希码，充当了深度架构的强正则化器。该损失也可以解释为模型集成，即通过大量权重共享但在不同训练集上同时训练多个网络模型。在多个基准数据集上的实证评估结果表明，所提出的方法优于 SOTA 哈希方法，具有显著的性能提升。
引用
@article{arxiv.1803.09466,
title = {Regularizing Deep Hashing Networks Using GAN Generated Fake Images},
author = {Libing Geng and Yan Pan and Jikai Chen and Hanjiang Lai},
journal= {arXiv preprint arXiv:1803.09466},
year = {2018}
}
备注
I need to modify the experiments