深圳大学 | DSAH：用于图像检索的深度自适应哈希

论文标题：Deep Self-Adaptive Hashing for Image Retrieval

论文链接：https://arxiv.org/abs/2108.07094

作者单位：深圳大学 & 腾讯 & 昆士兰大学

可以自适应地捕获语义信息，其具有两种特殊设计：AND和PIC，表现SOTA！性能优于TBH、MLS3RDUH等网络。

哈希技术因其计算和存储效率而被广泛应用于图像检索。最近，由于现实世界中人工标注的高成本和深度学习技术的优越性，深度无监督哈希方法越来越受到关注。然而，大多数深度无监督散列方法通常会预先计算一个相似度矩阵，以对预先训练的特征空间中的成对关系进行建模。然后这个相似度矩阵将用于指导哈希学习，其中大多数数据对被同等对待。上述过程面临以下缺陷：1）预先计算的相似度矩阵不可改变，与哈希学习过程脱节，无法挖掘底层语义信息。 2) 信息量大的数据对可能被大量信息量少的数据对所掩盖。为了解决上述问题，我们提出了 Deep Self-Adaptive Hashin(DSAH)} 模型来自适应地捕获语义信息，具有两种特殊设计：Adaptive Neighbor Discovery~(AND)} 和{Pairwise信息内容~(PIC)}。首先，我们采用 AND 来初步构建一个基于邻域的相似度矩阵，然后用一种新颖的更新策略细化这个初始相似度矩阵，以进一步研究学习表示背后的语义结构。其次，我们使用 PIC 测量数据对的优先级并为其分配自适应权重，这依赖于假设更多不同的数据对包含更多用于哈希学习的判别信息。在多个基准数据集上的大量实验表明，上述两种技术有助于深度哈希模型以自适应方式实现卓越的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除