弱监督深度超球面量化用于图像检索
计算机视觉与模式识别
2024-04-09 v1 人工智能
信息检索
摘要
深度量化方法在大规模图像检索中显示出高效率。然而，当前模型严重依赖真实标签信息，阻碍了量化在标签稀缺场景中的应用。更现实的需求是从由业余用户提供的非正式标签的无穷无尽上传图像中学习。尽管这些粗略标签没有明确揭示标签，但它们实际上包含用于监督深度量化的有用语义信息。为此，我们提出了弱监督深度超球面量化（WSDHQ），这是第一个从弱标记图像中学习深度量化的工作。具体来说，1）我们使用词嵌入来表示标签，并基于标签相关图增强其语义信息。2）为了更好地在量化码中保留语义信息并减少量化误差，我们通过使用精心设计的融合层和定制损失函数，在超球面上联合学习语义保留嵌入和监督量化器。大量实验表明，WSDHQ在弱监督紧凑编码上可以达到最先进的性能。代码可在https://github.com/gimpong/AAAI21-WSDHQ获取。
引用
@article{arxiv.2404.04998,
title = {Weakly Supervised Deep Hyperspherical Quantization for Image Retrieval},
author = {Jinpeng Wang and Bin Chen and Qiang Zhang and Zaiqiao Meng and Shangsong Liang and Shu-Tao Xia},
journal= {arXiv preprint arXiv:2404.04998},
year = {2024}
}
备注
In proceedings of AAAI 2021. Code and data are available