用于深度无监督图像检索的自监督乘积量化

基于监督深度学习的哈希与向量量化正赋能快速、大规模的图像检索系统。通过充分利用标签标注，相较于传统方法它们取得了优异的检索性能。然而，为海量训练数据精确分配标签十分费力，且标注过程易出错。为解决这些问题，我们提出首个称为自监督乘积量化（SPQ）网络的深度无监督图像检索方法，该方法无需标签并以自监督方式训练。我们设计了一种交叉量化对比学习策略，通过比较单独变换的图像（视图）来联合学习码本与深度视觉描述子。我们的方法分析图像内容以提取描述性特征，使我们能理解图像表示从而实现准确检索。通过在基准数据集上开展广泛实验，我们证明所提方法即使无监督预训练也能取得最先进（SOTA）结果。