无监督语义深度哈希
计算机视觉与模式识别
2018-03-20 v1
摘要
近年来，深度哈希方法已被证明是高效的，因为它采用卷积神经网络同时学习特征和哈希码。然而，这些方法大多是监督式的。在实际应用中，标注大量图像是一项耗时且繁重的任务。本文提出了一种用于大规模图像检索的新型无监督深度哈希方法。我们的方法即无监督语义深度哈希（\textbf{USDH}），利用 CNN 特征层中保留的语义信息来指导网络训练。我们基于 VGG-19 模型对哈希码学习施加四项准则：1) 在哈希空间中保留特征空间的相关信息；2) 最小化类二值码与哈希码之间的量化损失；3) 利用最大信息熵提高哈希码中每个比特的利用率；4) 对图像旋转具有不变性。在 CIFAR-10 和 NUSWIDE 上的大量实验表明，\textbf{USDH} 在图像检索方面优于若干最先进的无监督哈希方法。我们还在 Oxford 17 数据集上进行了细粒度分类实验，以验证其在其他计算机视觉任务中的有效性。
引用
@article{arxiv.1803.06911,
title = {Unsupervised Semantic Deep Hashing},
author = {Sheng Jin},
journal= {arXiv preprint arXiv:1803.06911},
year = {2018}
}