基于相似度分布校准的无监督哈希
计算机视觉与模式识别
2023-09-01 v2 信息检索
摘要
无监督哈希方法通常旨在通过将数据点映射到二值哈希码来保留其在特征空间中的相似性。然而，这些方法常忽略一个事实：由于哈希码的相似度范围有限，连续特征空间中数据点间的相似性在离散哈希码空间中可能无法保持。该相似度范围受码长限制，并可导致称为相似度崩塌的问题。即，数据点的正样本对与负样本对在哈希空间中变得难以区分。为缓解此问题，本文引入一种新颖的相似度分布校准（SDC）方法。SDC 将哈希码相似度分布对齐至在整个相似度范围内具有充分扩展的校准分布（如 beta 分布），从而缓解相似度崩塌问题。大量实验表明，我们的 SDC 在粗粒度类别级和实例级图像检索上显著优于最先进的替代方法。代码见 https://github.com/kamwoh/sdc。
引用
@article{arxiv.2302.07669,
title = {Unsupervised Hashing with Similarity Distribution Calibration},
author = {Kam Woh Ng and Xiatian Zhu and Jiun Tian Hoe and Chee Seng Chan and Tianyu Zhang and Yi-Zhe Song and Tao Xiang},
journal= {arXiv preprint arXiv:2302.07669},
year = {2023}
}
备注
BMVC 2023