SSAH：基于自步困难样本生成的半监督对抗深度哈希方法
计算机视觉与模式识别
2019-11-21 v1 机器学习
摘要
深度哈希方法已被证明对大规模网络媒体检索有效且高效。这些data-driven方法的成功很大程度上依赖于收集充足的标注数据，而这在实际中通常是一个关键限制。当前针对该问题的解决方案利用生成对抗网络（GAN）在半监督学习中增强数据。然而，现有基于GAN的方法将图像生成与哈希学习视为两个孤立过程，导致生成无效。此外，大多数工作未能利用未标注数据中的语义信息。本文提出一种新颖的半监督自步对抗哈希方法，命名为SSAH，以在统一框架中解决上述问题。SSAH方法由一个对抗网络（A-Net）和一个哈希网络（H-Net）组成。为提高生成图像的质量，首先，A-Net学习具有多尺度遮挡和多角度旋转变形的困难样本，这些样本与准确哈希码的学习相竞争。其次，我们设计了一种新颖的自步困难生成策略，以逐步增加生成样本的哈希难度。为利用未标注数据中的语义信息，我们提出了一种半监督一致性损失。实验结果表明，我们的方法在广泛使用的哈希数据集和细粒度数据集上均能显著改进最先进的模型。
引用
@article{arxiv.1911.08688,
title = {SSAH: Semi-supervised Adversarial Deep Hashing with Self-paced Hard Sample Generation},
author = {Sheng Jin and Shangchen Zhou and Yao Liu and Chao Chen and Xiaoshuai Sun and Hongxun Yao and Xiansheng Hua},
journal= {arXiv preprint arXiv:1911.08688},
year = {2019}
}