【零样本哈希】Transductive Zero-Shot Hashing via Coarse-to-Fine Similarity Mining-优快云博客

本文链接：https://blog.youkuaiyun.com/x124612/article/details/99677391

本文提出深渡无监督零样本哈希（Deep Transductive Zero-Shot Hashing, DTZSH）方法，旨在解决传统zero-shot hashing中的投影域转移问题。通过两流共享网络构建公共语义表示，利用粗细粒度相似性挖掘迁移监督知识。实验表明，DTZSH在ImageNet、AwA和CIFAR-10数据集上表现出优越性能，尤其在已知类别数量多于未知类别时，优势更为明显。" 107626585,8765248,SQL Server 2019中列存储索引的数据压缩估算与节省,"['数据库', '大数据', 'SQL']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Motivation

1、Yang et al提出的zero-shot hashing方法是通过在已知类别和未知类别之间构建一个中间语义向量空间（类别标签的词向量空间）来迁移监督知识。
但是由于已知类别和未知类别的数据分布不同，直接将从已知类别学习到的哈希函数用于未知类别，会引起偏差（projection domain shift problem）【为此，Pachori提出无监督的domain-adaptation模型，通过未知类别的查询数据来更新哈希函数】
另外，该方法是从预训练好的AlexNet中提取图像特征，再通过映射、量化等学习哈希编码。但是这些固定的图像特征不是最优的，我们希望它们能够有保持图像相似性的能力。
2、提出transductive zero-shot hashing，也就是说训练集中也可以包含未知类别的样本，但它们是无标签的。而在现实生活中，由于已知类别更常见，所以也会存在部分无标签的已知类别数据。在TZSH中，有两部分数据：有标签数据（全部来自已知类别），无标签数据（包含已知类别和未知类别）。

Contributions

1、提出 deep transductive zero-shot hashing来解决projection domain shift问题
2、提出coarse-to-fine similarity mining来迁移监督知识
3、实验验证方法的有效性

Methods

Common Semantic Representation via Shared Two-streams Network：
为了将已知类别和未知类别映射到同一语义向量空间，设计了two-stream的网络结构。first-stream处理带标签数据，second-stream处理无标签数据，它们共享参数并且共同训练。

Coarse-to-Fine Similarity Mining：

1）Coarse Similarity Mining：