具有边际可扩展约束的自监督非对称深度哈希
计算机视觉与模式识别
2021-07-26 v3
摘要
由于其有效性和高效性，深度哈希方法被广泛用于大规模视觉搜索。然而，为具有多语义的图像生成紧凑且具判别力的哈希码仍然具有挑战性，主要原因有二：1）现有大多数方法中设计的相似性约束基于过度简化的相似性赋值（即对于不共享任何标签的样本对为0，对于至少共享1个标签的样本对为1）；2）许多现有方法中对多语义相关性的探索不足甚至被忽略。这些问题显著限制了生成哈希码的判别力。本文中，我们提出了一种新颖的具有边际可扩展约束的自监督非对称深度哈希方法（SADH）以应对这些问题。SADH实现一个自监督网络，以在给定数据集的语义特征字典和语义码字典中充分保留语义信息，并利用非对称学习策略高效且精确地引导特征学习网络保留多标签语义信息。通过进一步利用语义字典，采用了一种新的边际可扩展约束，用于精确的相似性搜索和鲁棒的哈希码生成。在四个流行基准上的大量实证研实验证了所提方法，并表明其优于几种最先进的方法。
引用
@article{arxiv.2012.03820,
title = {Self-supervised asymmetric deep hashing with margin-scalable constraint},
author = {Zhengyang Yu and Song Wu and Zhihao Dou and Erwin M. Bakker},
journal= {arXiv preprint arXiv:2012.03820},
year = {2021}
}