带松弛的监督离散哈希
机器学习
2019-04-09 v1 机器学习
摘要
数据依赖哈希因能支持文档、图像和视频等高维数据的高效检索与存储,近来受到关注。本文提出一种基于“监督离散哈希”(SDH)的新颖基于学习的哈希方法,称为“带松弛的监督离散哈希”(SDHR)。SDH使用普通最小二乘回归并将类标签信息的传统零一矩阵编码作为回归目标(码字),从而固定了回归目标。而在SDHR中,回归目标被优化。优化后的回归目标矩阵满足大间隔约束,以对每个样本正确分类。与使用传统零一矩阵的SDH相比,SDHR利用学习到的回归目标矩阵,因此更准确地度量回归模型的分类误差且更灵活。正如预期,SDHR总体优于SDH。在两个大规模图像数据集(CIFAR-10和MNIST)以及一个大规模且具有挑战性的人脸数据集(FRGC)上的实验结果证明了SDHR的有效性与高效性。
引用
@article{arxiv.1904.03549,
title = {Supervised Discrete Hashing with Relaxation},
author = {Jie Gui and Tongliang Liu and Zhenan Sun and Dacheng Tao and Tieniu Tan},
journal= {arXiv preprint arXiv:1904.03549},
year = {2019}
}