利用深度跨模态哈希与纠错码提升属性引导人脸图像检索效率
计算机视觉与模式识别
2019-02-13 v1 信息检索
机器学习
摘要
凭借查询速度快和存储成本低的优势，基于哈希的图像检索方法已引起研究界的相当关注。本文提出一种新颖的纠错深度跨模态哈希（CMH-ECC）方法，该方法以指定某些人脸属性是否存在的位图作为输入查询，从数据库中检索相关人脸图像。在该架构中，我们利用端到端深度学习模块生成紧凑哈希码，有效捕捉人脸与属性模态之间的内在关系。我们还将深度学习模块与前向纠错码集成，以进一步缩小同一主体不同模态间的距离。具体而言，利用深度哈希与前向纠错码的特性设计具有高检索性能的跨模态哈希框架。使用两个带有人脸属性-图像模态的标准数据集的实验结果表明，我们的 CMH-ECC 人脸图像检索模型优于大多数当前的基于属性的人脸图像检索方法。
引用
@article{arxiv.1902.04139,
title = {Using Deep Cross Modal Hashing and Error Correcting Codes for Improving the Efficiency of Attribute Guided Facial Image Retrieval},
author = {Veeru Talreja and Fariborz Taherkhani and Matthew C. Valenti and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:1902.04139},
year = {2019}
}
备注
To be published in Proc. IEEE Global SIP 2018