• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of visual communication & image representation >Deep spatial attention hashing network for image retrieval
【24h】

Deep spatial attention hashing network for image retrieval

机译：深度空间注意力哈希网络用于图像检索

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Hashing is one of the most popular image retrieval technique since its fast-computational speed and low storage cost. Recently, deep hashing methods have greatly improved the image retrieval performance in contrast to traditional hashing method. However, the binary hashing representation is only generated from the global image region, which may result in sub-optimal hashing code. Inspired by the latest advance in spatial attention mechanism, we propose an novel end-to-end deep hashing framework which composes of two sub-networks. One sub-network uses spatial attention model to determine the local features from more specific region of interest, another sub-network extracts the global features from original image. By combining the local and global features with learnable hash functions, the proposed deep hashing framework can optimize the deep hash function and high-quality binary code jointly. Numerous experiments on two large scale image benchmarks datasets have shown that the proposed method is superior to other existing methods for image retrieval. (C) 2019 Elsevier Inc. All rights reserved.
机译：散列是一种最受欢迎​​的图像检索技术，因为其计算速度快且存储成本低。近来，与传统的哈希方法相比，深度哈希方法极大地提高了图像检索性能。但是，仅从全局图像区域生成二进制哈希表示，这可能会导致次优哈希码。受空间注意力机制的最新进展启发，我们提出了一个新颖的端到端深度哈希框架，该框架由两个子网组成。一个子网使用空间注意力模型从更特定的兴趣区域中确定局部特征，而另一个子网则从原始图像中提取全局特征。通过将局部和全局特征与可学习的哈希函数相结合，提出的深度哈希框架可以共同优化深度哈希函数和高质量的二进制代码。在两个大型图像基准数据集上的大量实验表明，该方法优于其他现有的图像检索方法。 （C）2019 Elsevier Inc.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号