基于由粗到细相似性挖掘的直推式零样本哈希
计算机视觉与模式识别
2017-11-09 v1
摘要
零样本哈希(Zero-shot Hashing, ZSH)旨在在没有训练数据的情况下为新颖/目标类别学习哈希模型,这是一个重要且具有挑战性的问题。大多数现有 ZSH 方法通过可见/源类别与新颖/目标类别之间的中间共享语义表示来利用迁移学习。然而,由于二者不相交,从源数据集学到的哈希函数直接应用于目标类别时存在偏差。本文研究直推式 ZSH,即我们拥有新颖类别的无标签数据。我们提出了一种通过由粗到细相似性挖掘的简单而高效的联合学习方法,将知识从源数据迁移到目标数据。所提出的深度架构主要包括两个模块:1) 一个共享双流网络,其中第一流在源数据上操作、第二流在无标签数据上操作,以学习有效的公共图像表示;2) 一个由粗到细模块,先从目标类别中找出最具代表性的图像,进而进一步检测这些图像间的相似性,以贪心方式将源数据的相似性迁移至目标数据。在多个基准数据集上的大量评估结果表明,所提出的哈希方法相比最先进(state-of-the-art)方法取得了显著改进。
引用
@article{arxiv.1711.02856,
title = {Transductive Zero-Shot Hashing via Coarse-to-Fine Similarity Mining},
author = {Hanjiang Lai and Yan Pan},
journal= {arXiv preprint arXiv:1711.02856},
year = {2017}
}