通过离散局部线性嵌入实现最优流形散列 -Toward Optimal Manifold Hashing via Discrete Locally Linear Embedding

最新推荐文章于 2024-05-22 07:45:00 发布

原创最新推荐文章于 2024-05-22 07:45:00 发布 · 449 阅读

0 ·

CC 4.0 BY-SA版权

日常学习专栏收录该内容

6 篇文章

订阅专栏

本文介绍了一种通过离散局部线性嵌入实现最优流形Hash的方法，即DLLH算法。该方法为无监督学习，旨在直接在Hamming空间中保留流形结构，将相似的数据点映射到相似的二进制码，从而改进了大规模视觉搜索中的效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这篇文章是

Toward Optimal Manifold Hashing via Discrete Locally Linear Embedding-- Rongrong Ji, Hong Liu et........（2017.11）

IEEE TRANSACTIONS ON IMAGE PROCESSING

中文不是那么好翻译，暂时我就叫通过离散局部线性嵌入实现最优流形Hash -（Google 给出的翻译）

局部线性嵌入（Locally Linear Embedding, LLE）是无监督非线性降维算法，非常流行且旧的一种。

二进制码的学习，也就是hash学习是最近的在大型的视觉搜索中很火。主要是能把卷积上距离或者欧氏距离变成 hamming上的距离。一般来说，都是先通过LLE构建一个新的feature空间，然后再把这个空间的关系融入到hash learning里面。但是这个过程是有很多问题的，至少不能符合优化思想，更没有理论支持其算法的收敛性。

这里要记录的文章提出的方法是一个离散的LLE（Discrete Locally Linear Embedding Hashing algorithm）DLLH, 并且给出了一个基于锚的加速方案。这个文章提出的方法是无监督的方法。

To learn discriminated binary codes, the key design is to preserve the similarity among data points, i.e., produce similar binary
codes for similar data points.

makes the first attempt towards directly learning and preserving manifold structure in the Hamming space
把 hash 函数和流行学习放在一起，而不是分成两步进行。

这是她的目标方程，S是之前通过LLE求得的，H 是HASH表达