图像检索8：Deep Hashing for Compact Binary Codes Learning

最新推荐文章于 2022-05-19 13:14:28 发布
原创 最新推荐文章于 2022-05-19 13:14:28 发布 · 4.6k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#Hash 深度网络 #图像检索-哈希算法 #图像检索 #哈希 #hash

本文介绍了一种名为DeepHashing的方法，该方法利用深度神经网络来生成紧凑的二进制哈希码，为图像检索等应用提供高效解决方案。尽管实验结果并非最佳，但其创新性得到了认可。

Deep Hashing for Compact Binary Codes Learning

 

简单的介绍了DH（深度哈希），文章是2015年 CVPR 的文章，虽然论文中实验结果并不是很好，但是文章的想法还是很有创新性的：采用深度神经网络。除了这篇采用深度网络以外，哈希的趋势就是结合 DL 来做。今年的CVPR大约还有3~5篇采用深度卷积精神网络，深度这么火，这也是趋势啊。。。感到遗憾的是 DH 作者没有发布相应的 codes ...因为我水平有限。。。所以暂时还不能复现作者的工作。不过最近也在尝试采用深度神经网络在做 Hash，目前还在 train model 和 调参阶段。。。如果最后效果好的话，会考略分把代码放上来，分享给大家。

 

DH 的想法很简单，看一下文章就知道作者的想法了，我分享的PPT基本上能把 DH 的想法表达出来，公式推导部分没有详说，参看之前的矩阵求导博客，公式部分应该不难，不过难就难在深度神经网络代码的实现上。。。。

 

 

资源获取链接：

 

1.http://download.youkuaiyun.com/detail/lilai619/9200749（PPT）

2.http://wenku.baidu.com/view/1393735b6137ee06eef9183c（PPT）

3.（论文）自行网上搜索吧，我就不上传了。。。

 

Deep Supervised Hashing for Fast Image Retrieval
yinsuiqiang5136的博客
08-29 3936
摘要 这篇paper中提出了Deep Supervised Hashing (DSH)来进行binary code的学习。主要特点如下：（1）设计了深度CNN模型，training data的输入为图像对（imilar/dissimilar），输出为每幅图像的hash code；（2）loss function 最大化了图像之间的区别，区别是从输入图像编码而成的编码空间；（3）在离散化真实值的输...
DeepMatching文献总结：图像拼接、图像匹配、图像检索
沈春旭的博客
07-31 1万+
1. 导读 结合（卷积）神经网络的测度学习，适用于图像拼接image stitching、图像立体匹配 image stereo matching、图像检索image retrieval。 当前三个方向都非常火热，落地项目也很多。 文献主要来源于实验室师兄galad-loth维护的DeepMatching：https://github.com/galad-loth/DeepMatch。因为我也...
Deep Hashing for Compact Binary Codes Learning
10-21
简单的介绍了DH（深度哈希），文章是2015年 CVPR 的文章，虽然论文中实验结果并不是很好，但是文章的想法还是很有创新性的：采用深度神经网络。
深度hash DH - 紧的二进制编码
学习记录空间
07-23 2753
哈希算法可将高维数据编码为一组二进制代码，与此同时还能保持图像或视频的相似性。 这应该最近hash比较火的原因吧。 这一次我们说一下，CVPR2015年的文章，Deep Hashing for Compact Binary Codes Learning  这个文章提出了一个紧的二进制码用于大型的视觉图像的搜索，之后有人提出了一个离散的深度hash. (2017)。 The basic ide...
K-means Hashing： Learning Binary Compact Codes论文理解
liuheng0111的博客
08-18 2175
K-means Hashing: anAffinity-Preserving Quantization Method for Learning Binary Compact Codes论文理解： 1.概述 使用不同距离计算的方法划分两大流派： •       Hamming-basedmethods  (LSH) •        lookup-based methods (vec
【大规模图像检索的利器】Deep哈希算法介绍
liuheng0111的博客
10-11 3271
作者：程程 链接：https://zhuanlan.zhihu.com/p/21396173 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 前言 在最近邻搜索（nearest neighbor search）问题中，给定一个查询（query），目标是要找到空间中离它最近的点。这里所说的空间可以是任意的空间，比如特征空间，或者语义空间。具体来说，在图
图像检索系统《Deep Learning of Binary Hash Codes for Fast Image Retrieval》
南极企鹅
08-04 1430
引言总结2015年CVPR论文《Deep Learning of Binary Hash Codes for Fast Image Retrieval》，论文主要内容是利用卷积神经网络(CNN)来构建图像相似度检测的深度学习方法。主要思想是讲卷积神经网络来提取图像特征，并将特征转化为二值量，根据二值向量来计算图像的相似度。传统方法图像检索的基础便是提取图像的特征信息，提取的特征信息越丰富，在进行检索
图像检索：CNN对Hash组算法的颠覆
沈春旭的博客
08-02 6696
参看论文：Liu H, Wang R, Shan S, et al. Deep Supervised Hashing for Fast Image Retrieval[C]. computer vision and pattern recognition, 2016: 2064-2072. 会议水平：CVPR2016 供稿单位：中科院计算所 （中科院计算所、自动化所都是做图像处理的神一样的单位...
图像哈希检索背景综述(二)——哈希检索算法总结
热门推荐
小胖子的博客
01-17 1万+
这一篇主要对图像哈希技术的现有算法做一个研究性的概述。由于哈希函数的本质是一个降维的操作，因此会存在特征信息的丢失和检索准确率的下降。   目前的哈希函数可以分为数据依赖的（Data-dependent）和数据独立的(Data-independent)，数据依赖的哈希函数也就是依赖原始数据来学习哈希函数，数据独立的就是人工指定哈希函数。 最最经典的也算作最原始的用于图像检索的哈希算法是LSH
图像哈希文献
最新发布
06-09
- **Deep Hashing for Compact Binary Codes Learning**：这篇文献详细介绍了如何利用深度神经网络生成高质量的二进制哈希码，并讨论了不同网络架构对哈希性能的影响。 - **Cross-Modal Retrieval Using Deep Neural...
深度哈希二值编码
07-17
Our model is learned under three constraints at the top layer of the deep network: 1) the loss between the original real-valued feature descriptor and the learned binary vector is minimized, 2) the binary codes distribute evenly on each bit, and 3) different bits are as independent as possible. To further improve the discriminative power of the learned binary codes, we extend DH into supervised DH (SDH) by including one discriminative term into the objective function of DH which simultaneously maximizes the inter-class variations and minimizes the intra-class variations of the learned binary codes. Experimental results show the superiority of the proposed approach over the state-of-the-arts.
learning to hash
LeeWei
12-20 1308
DeepHashingBaselines Single-Modal Deep Hashing Methods [AAAI 2014] Supervised Hashing via Image Representation Learning [paper] [code]Rongkai Xia , Yan Pan, Hanjiang Lai, Cong Liu, Shuiche
图像检索 Deep Hashing
m0_59233432的博客
05-19 1781
在检索任务中，Metric Learing是为了得到具有很好表征能力的特征向量， Deep Hashing则是为了得到具有很好表征能力的二值向量。 那么二值向量相比于一般的特征向量，优势在哪里呢？ 主要有两点： 更少的存储空间： 二值向量只有0和1, 可以节约大量的存储空间。以1024维的特征为例，如果是二值特征， 只需要1024 / 8 = 128byte. 如果是浮点特征， 需要的空间大小为1024 * 4 = 4KB。 相比之下，二值向量的存储空间为浮点特征的1/32. 更高的检索效率： 二值向量
Deep Hashing Network for Efficient Similarity Retrieval
南有乔木NTU的博客
10-11 4618
Deep Hashing Network for Efficient Similarity RetrievalIntroduce这是发表在AAAI-2016的一篇paper，下载地址 在本篇论文之前的监督Hash方法，第一步通过手动学习或者机器学习得到特征向量，第二步学习二进制的Hash Code。然而，这种方法存在明显的缺点，首先提取的特征并不一定完善，并且学习的二进制的Hash Code也有量
Deep Hashing Network for Efficient Similarity Retrieval
别时茫茫的专栏
09-28 1556
1.论文介绍对于以前的hash算法，是把特征学习和hashcode的学习分开来进行的，有的是先使用手工特征或者学习到的特征，然后在进行hashcode的学习。两个过程分裂开来进行学习的。每次学习只是整个目标的一部分，这样会陷入到局部最优解当中。所以作者针对这里面存在的问题，提出了deep hashing network的算法，主要解决的问题在于一下几个方面： 1).通过CNN来学习特征，而不是使用
论文笔记：Deep Hashing Network for Efficient Similarity Retrieval
ArchibaldChain的博客
08-22 1216
论文笔记： Deep Quantization Network for Efficient Image Retrieval 灵魂三问 论文提出的问题 由于quantization error， 哈希编码将不能准确地表达特征 论文做了什么？ 用多池化层卷积神经网络，来表达图片 用全连接的哈希层来生成二进制哈希编码 用相应的交叉熵层来学习相似性 用配对的量化损失来控制哈希质量 论文达到了什么效果？ 通过在标准的哈希检索数据集上的实验，文中的方法超过了最新的哈希方法。 深度哈希网络 Deep Ha
论文阅读：A Survey on Deep Hashing Methods 综述：深度哈希方法
南有芙蕖
05-08 1万+
A Survey on Deep Hashing Methods 综述：深度哈希方法 摘要 最近邻搜索是寻找数据库中的数据点，使它们到查询的距离最小，这是计算机视觉、推荐系统和机器学习等各个领域的一个基本问题。哈希是计算效率和存储效率最广泛使用的方法之一。随着深度学习的发展，深度哈希方法显示出比传统方法更多的优点。本文对深度哈希算法进行了全面的研究。在损失函数的基础上，将深度监督哈希方法按照相似度...
紧凑的二值人脸描述符：Compact Binary Face Descriptor
mogebuyi的博客
08-30 1206
Learning Compact Binary Face Descriptor for Face  Recognition   Lu, J. ; Liong, V.E. ; Zhou, X. ; Zhou, J. Pattern Analysis and Machine Intelligence,IEEE Transactions on Volume:   PP
Deep Hashing for Compact Binary Codes Learning里的公式推导过程
06-09
"Deep Hashing for Compact Binary Codes Learning" 是一篇关于深度哈希学习的论文。该论文提出了一种用于学习紧凑二进制码的深度哈希算法。以下是该论文中深度哈希算法的公式推导过程： 1. 首先，给定一个训练集 $\{x_i\}_{i=1}^n$ 和它们的标签 $\{y_i\}_{i=1}^n$，其中 $x_i$ 是输入数据，$y_i$ 是输出标签。 2. 然后，利用神经网络学习一个将输入数据映射到二进制码的哈希函数 $h(x_i)$，其中 $h(x_i)$ 是一个 $k$ 位的二进制向量，$k$ 是哈希码的长度。 3. 在深度哈希学习中，我们使用多个哈希函数来生成多个二进制码。因此，我们学习 $m$ 个哈希函数，每个哈希函数对应一个二进制码 $B_j$。 4. 对于每个输入数据 $x_i$，我们得到 $m$ 个哈希码 $B_j^i$，其中 $j=1,2,...,m$。 5. 然后，我们将这些哈希码组合成一个紧凑的二进制码 $b_i$，即 $b_i = [B_1^i, B_2^i, ..., B_m^i]$。 6. 确定损失函数，使得学习到的二进制码可以最大程度地保留数据之间的相似度。 7. 定义损失函数 $L$，其中 $L$ 由两部分组成：量化损失和分类损失。 8. 量化损失用于衡量哈希码的质量，分类损失用于保留数据之间的相似度。 9. 量化损失可以表示为：$L_{quan} = \sum_{i=1}^n\sum_{j=1}^m\frac{1}{2}(B_j^i - h_j(x_i))^2$，其中 $h_j(x_i)$ 是第 $j$ 个哈希函数的输出。 10. 分类损失可以表示为：$L_{cls} = -\sum_{i=1}^n\sum_{j=1}^n w_{ij}y_iy_j\log\sigma(b_i^Tb_j)$，其中 $w_{ij}$ 是样本 $i$ 和 $j$ 之间的相似度权重，$\sigma$ 是 sigmoid 函数。 11. 最终的损失函数可以表示为：$L = \lambda L_{quan} + L_{cls}$，其中 $\lambda$ 是量化损失的权重。 12. 在训练过程中，我们使用反向传播算法来优化损失函数，学习到最优的哈希函数和二进制码。 这就是 "Deep Hashing for Compact Binary Codes Learning" 论文中深度哈希算法的公式推导过程。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

微风❤水墨

你的鼓励是我最大的动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值