SADIH：语义感知离散哈希
计算机视觉与模式识别
2019-04-17 v2 人工智能
多媒体
摘要
由于其低存储成本和快速查询速度，哈希已被认为是实现大规模多媒体检索应用中相似性搜索的方法。特别是监督哈希近年来通过利用标签信息在汉明空间中保持数据点的成对相似性而受到相当多的研究关注。然而，仍存在两个关键瓶颈：1）全成对相似性保持的学习过程在计算上难以承受且无法扩展以处理大数据；2）数据的可用类别信息未被充分探索以学习判别性哈希函数。为克服这些挑战，我们提出了一个统一的语义感知离散哈希（SADIH）框架，旨在将转换后的语义信息直接嵌入到非对称相似性近似和判别性哈希函数学习中。具体而言，引入语义感知潜在嵌入以非对称地保持全成对相似性，同时巧妙处理繁琐的 n×n 成对相似性矩阵。同时，开发了语义感知自编码器，以联合保持判别性潜在语义空间中的数据结构并执行数据重建。此外，提出了一种高效的交替优化算法来求解所得的离散优化问题。在多个大规模数据集上的大量实验结果表明，我们的 SADIH 能以更低的计算成本明显优于最先进的基线方法。
引用
@article{arxiv.1904.01739,
title = {SADIH: Semantic-Aware DIscrete Hashing},
author = {Zheng Zhang and Guo-sen Xie and Yang Li and Sheng Li and Zi Huang},
journal= {arXiv preprint arXiv:1904.01739},
year = {2019}
}
备注
Accepted by The Thirty-Third AAAI Conference on Artificial Intelligence (AAAI-19)