Hashing baseline for image retrieval

哈希基线图像检索
最新推荐文章于 2023-02-23 21:17:50 发布
原创 最新推荐文章于 2023-02-23 21:17:50 发布 · 4.2k 阅读 · 5 ·
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：

#源码 #methods #matlab #计算机视觉

本项目提供了一个基于多种无监督哈希方法的大规模图像检索基线，包括PCA-ITQ、Spectral Hashing等，旨在降低研究者的入门门槛并促进算法创新。

Hashing Baseline for Image Retrieval(HABIR)

horse

horse

项目起源

目前我主要致力于基于哈希方法的大规模图像检索。在研究的过程中，我发觉几乎很少有研究者提供不同对比方法的代码。这为研究带来了很大不便，而且我坚信在研究的过程中，我们应专注于新算法的设计，而不是新人进来时都得重新造轮子，我们可以在现有代码的基础上学习它，并将它进行拓展，为自己使用。

于是，就有了你现在看到的这个hashing-baseline-for-image-retrieval，希望它能够为关注基于哈希方法进行图像检索的小伙伴们带去些许帮助。

hashing

哈希方法

  • PCA-ITQ,PCA-RR: Iterative Quantization. 作者建立的项目详细信息请移步这里：ITQ。

    Yunchao Gong and Svetlana Lazebnik. Iterative Quantization: A Procrustean Approach to Learning Binary Codes. In: IEEE International Conference on Computer Vision and Pattern Recognition (CVPR), 2011.

  • SH: Spectral Hashing. 作者建立的项目详细信息请移步这里：SH。

    Y. Weiss, A. Torralba, R. Fergus. Advances in Neural Information Processing Systems, 2008.

  • SpH: Spherical Hashing. 作者建立的项目详细信息请移步这里：SpH。

    Jae-Pil Heo, Youngwoon Lee, Junfeng He, Shih-Fu Chang, and Sung-eui Yoon. Spherical Hashing. CVPR, 2012.

  • LSH: Local Sensentive Hashing. Implemented by me.

  • SKLSH: Maxim Raginsky and Svetlana Lazebnik.

    Locality-sensitive binary codes from shift-invariant kernels. Advances in Neural Information Processing 22, pp. 1509-1517, 2009.

  • PCAH: PCA Hashing. Implemented by me.

  • DSH: Density Sensitive Hashing. 项目主页请移步这里：DSH.

注意：截止此刻，所有入选进行的哈希方法都是无监督的

数据库说明

数据库cifar_10yunchao.mat是来自Yunchao Gong在CIFAR10提取的320维GIST特征，第321维是图像的类别标签

待做事项

  • 完善文档
  • 绘制recall vs. the number of top retrieved samples曲线
  • 再添加一个数据库

运行环境

  • 64位系统（主要是图像数据库比较大，Windows或Linux都可以）
  • 16g内存（我电脑是16g的，8g的应该也行）

版本更新

  • V1.5 2014/09/28
    • 增加不同结果进行检索时的可视化结果/li>
  • V1.4 2014/09/22
    • 修复画MAP曲线的错误，重新以Gong Yunchao所用的计算曲线面积的方法画MAP曲线
    • 将原来画曲线时只运行一次改为运行多次（10次，程序中可以自己修改设定），对10次的MAP取平均，之所以这样做是因为不同的方法中用到了随机函数，通过运行多次减少每次运行结果的差异
  • V1.3 2014/08/21
    • 完成MAP随bits长度的曲线，添加进来SpH和DSH
    • 完善绘制的图，使画出的图更美观
    • 优化框架结构，使布局更有层次
  • V1.2 成型版本: 2014/08/19
  • V1.1 初始版本: 2013/09/26
  • V1.0 原型版本: 2013/07/22

结果演示

在64位编码下，查准率与召回率曲线如下：

precision-recall-64bits

平均检索精度MAP随bits长度的变化

map-numbers-of-bits

检索实例

本页顶部所示的是用不同的编码方法对“马”，下面展示更多的检索结果：

horse

horse

加入进来

如果你觉得这个对你有用，想加入进来的话，可以先clone过去，然后再Pull Requests.

致谢

本项目是在ITQ的基础上进行拓展的，感谢Yunchao Gong.

源地址链接：http://yongyuan.name/habir/

Image Hash Retrieval
dongfang1984的博客
02-24 1424
最近搞图像检索的任务，老师让跑一下计算所这篇文章 CVPR2016 ：Deep Supervised Hashing for Fast Image Retrievalgithub: https://github.com/lhmRyan/deep-supervised-hashing-DSH前言： 介绍一下图像检索常用的数据库。 Name size（images） concept tag
图像检索入门：CVPR2015《Deep Learning of Binary Hash Codes for Fast Image Retrieval》
M_Z_G_Y的博客
09-20 2871
原文代码：https://github.com/kevinlin311tw/caffe-cvprw15 研究背景       在基于内容的图像检索（CBIR）中，使用深度学习的最为简单的方式是使用神经网络特征层的输出用于计算空间距离来判断相似度，但这样会导致浮点型数据储存消耗和维度灾难。 实际策略是使用近似最近邻（ANN）技术或基于Hash的方法来进行加速。这些方法将高维特征投影到较低维度空...
hashing-baseline-for-image-retrieval-master
10-25
用于图像检索的哈希编码方法，（Various hashing methods for image retrieval and serves as the baselines ）
基于哈希的图像检索 HABIR(HASHING BASELINE FOR IMAGE RETRIEVAL)
GarfieldEr007的专栏
01-15 5312
HABIR HASHING BASELINE FOR IMAGE RETRIEVAL HABIR简介 HABIR哈希图像检索工具箱是一个用Matlab语言写的集成了经典哈希方法以及最近几年无监督哈希方法的基准框架，里面包含了针对图像检索的主流评价指标，使用该工具箱使得你可以专注于哈希方法的设计，其他性能评价这些方面的东西可以由它来帮你完成。 HABIR起源 目前我
Dynamic Multi-View Hashing for Online Image Retrieval
qq2285580599的博客
06-06 386
摘要
matlab源码下载-hashing-baseline-for-image-retrieval:各种用于图像检索的哈希方法，并用作基准
05-19
matlab源码下载 HABIR Toolkit HABIR哈希图像检索工具箱是什么？ HABIR哈希图像检索工具箱是一个用Matlab语言写的集成了经典哈希方法以及最近几年无监督哈希方法的基准框架，里面包含了针对图像检索的主流评价指标，...
CVPR 论文阅读与翻译2：图像检索、哈希编码学习、深度哈希：Deep Learning of Binary Hash Codes for Fast Image Retrieval-2015
weixin_41605888的博客
04-14 4552
Deep Learning of Binary Hash Codes for Fast Image Retrieval-2015 用于快速图像检索的深度学习二进制哈希码 本文记录博主CVPR阅读心得，如理解有误，请及时指正交流。THANKS! 相关链接 论文解读 论文动机 论文主要贡献 具体研究方案 论文实验 论文翻译 相关链接： 论文连接：https://www.ii...
Deep Hash in Large Scale Image Retrieval
春秋战车
01-21 1817
Deep Hash in Large Scale Image Retrieval 深度哈希方法及其在移动视觉搜索中的应用 大规模图像检索的利器Deep哈希算法介绍 Learning to Hash这里介绍两篇深度hash文章 01 Simultaneous Feature Learning and Hash Coding with Deep Neural Networks CVPR2015
卷及神经网络CNN for image retrieval
GarfieldEr007的专栏
12-31 3242
背景 对于CBIR的背景以及应用，直接上两张图上来，分别对于下面的图1和图2:图1 图1的背景是自己用matlab在cifar10上生成的背景图，前景图是来自How many public photos are uploaded to Flickr every day, month, year?对flick每月到每年上传图片的统计，可以看到随着互联网和移动设备的普及，我们正进入了一个全民
A_Baseline_for_Visual_Instance_Retrieval_with_Deep.pdf
12-17
A_Baseline_for_Visual_Instance_Retrieval_with_Deep.pdf
pythonitq
02-12
pythonitq Proyecto Finaling克里斯汀·丁丁
哈希函数的学习算法整理
lucius-liu.cn
02-23 820
如果你对这篇文章可感兴趣，可以点击「【访客必读 - 指引页】一文囊括主页内所有高质量博客」，查看完整博客分类与对应链接。转为二进制编码：可以先降维成实数，再转为二进制，也可以直接学习一个二进制编码；学习哈希映射函数：基于二进制编码设计或学习哈希方式，使得相似元素靠近，不相似元素远离。数据无关的方法 (Data-Independent Methods)特点：哈希函数与训练集无关，通常为随机投影或手动构造。
HASHING(2)
weixin_30244681的博客
03-25 162
1.Locality-Sensitive Hashing(LSH, 局部敏感哈希) 如果我们的数据非常大，有多个对象，如果一对一对的比较，需要比较N*（N-1）/2，检查每一对数据很困难。 大体思路：用一个函数f(x, y)来判断x和y是不是一个候选对，计算候选对的相似度。 For minhash matrics:把矩阵列分为很多桶(buckets),相似度高的行放到相同的桶里。 LSH for ...
基于哈希的图像检索技术
人工智能讲师团
07-05 2857
开发十年，就只剩下这套Java开发体系了 >>>    ...
HABIR哈希图像检索工具包更新至v2.0
IT小白菜
06-20 4019
下文来自我的博客：HABIR图像检索工具包更新至v2.0 上上周的事了，还是记录一下吧。HABIR工具包顺应做基于哈希技术的图像检索这方面研究的小伙伴们的强烈要求，提前一个星期对原来在v1.x上陆陆续续做的修改进行整理修改后，就有了现在的v2.0版本。v2.0版本相比于v1.x版本，评价指标更加丰富，代码结构更加有层次感，添加了14年几种新的方法，实验跑出来的结果更加逼近论文中的结果。当
哈希学习（2）—— Hashing图像检索资源
flowerboya的博客
07-11 8666
哈希方法 公布代码的： CSDSH: Column Sampling based Discrete Supervised Hashing SGH :Scalable Graph Hashing with Feature Transformation [ Paper] AGH: Hashing with Graphs [Paper] [Code] BPBC: Learn
hash 图像检索方法汇总
只为成功找方法 不为失败找借口
06-30 1669
本文参考来自：http://yongyuan.name/blog/codes-of-hash-for-image-retrieval.html 哈希方法 主要贴公布代码的： AGH: Hashing with Graphs, Paper and CodeBPBC: Learning Binary Codes for High-Dimensional Data Using
Instance-Aware Hashing for Multi-Label Image Retrieval 解析
同销万古愁的博客
10-06 910
链接:https://pan.baidu.com/s/165ZZJNROLkKzOAe7v-E53A  密码:w40x 　深度学习入门选了这篇文章和相应代码，纠结了两三个月，加上师兄讲解，现在才勉强搞懂，写出来，自己总结一下，也希望其他人少走点弯路，之后还会写一篇关于本文代码的博客。由于我是从小白开始的，所以这篇文章会尽可能清楚，请大牛们不要介意我唠叨。我写的有错的地方，欢迎大家留言，我更正。 ...
Covariance Attention Guidance Mamba Hashing for cross-modal retrieval
最新发布
10-27
目前没有直接的站内引用内容可以用于回答关于Covariance Attention Guidance Mamba Hashing在跨模态检索方面的问题。但一般来说，在跨模态检索领域，相关的哈希方法旨在将不同模态的数据（如图像、文本等）映射到低维的哈希码空间，以实现高效的检索。 Covariance Attention Guidance Mamba Hashing可能具有以下特点用于跨模态检索： - **协方差注意力机制**：可以捕捉不同模态数据之间的协方差关系，更好地挖掘模态间的相关性，从而在生成哈希码时保留更多有用的跨模态信息。 - **Mamba结构**：Mamba可能为模型带来高效的计算能力和更好的序列建模能力，有助于处理不同模态数据中的序列特征，提高哈希码的质量。 要获取关于Covariance Attention Guidance Mamba Hashing用于跨模态检索的详细资料，可以通过以下途径： - **学术数据库**：如IEEE Xplore、ACM Digital Library、ScienceDirect等，搜索相关的学术论文。 - **开源代码平台**：如GitHub，查找是否有该方法的开源实现和相关文档。 示例代码（这里只是一个概念性的伪代码，并非真实可运行代码）： ```python # 假设这是一个Covariance Attention Guidance Mamba Hashing模型类 class CAGMambaHashing: def __init__(self, input_dim, hash_dim): # 初始化模型参数 self.input_dim = input_dim self.hash_dim = hash_dim # 定义协方差注意力层和Mamba层 # 这里只是示意，实际需要具体实现 self.covariance_attention = CovarianceAttention() self.mamba_layer = MambaLayer() self.output_layer = OutputLayer(hash_dim) def forward(self, x_modality1, x_modality2): # 前向传播 attn_output = self.covariance_attention(x_modality1, x_modality2) mamba_output = self.mamba_layer(attn_output) hash_code = self.output_layer(mamba_output) return hash_code ```
评论 4
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
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