• 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 >Beyond ITQ: Efficient binary multi-view subspace learning for instance retrieval
【24h】

Beyond ITQ: Efficient binary multi-view subspace learning for instance retrieval

机译：超越ITQ：高效二进制多视图子空间学习例如检索

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

The existing hashing methods mainly handle either the feature based nearest-neighbor search or the category level image retrieval, whereas a few efforts are devoted to instance retrieval problem. In this paper, we propose a binary multi-view fusion framework for directly recovering a latent Hamming subspace from the multi view features for instance retrieval. More specifically, the multi-view subspace reconstruction and the binary quantization are integrated in a unified framework so as to minimize the discrepancy between the original multi-view high-dimensional Euclidean space and the resulting compact Hamming subspace. Besides, our method is essentially an unsupervised learning scheme without any labeled data involved, and thus can be used in the cases when the supervised information is unavailable or insufficient. Experiments on public benchmark and large-scale datasets reveal that our method achieves competitive retrieval performance comparable to the state-of-the-arts and has excellent scalability in large-scale scenario.
机译：现有的散列方法主要处理基于特征的最近邻的搜索或类别级别图像检索，而少量努力致力于实例检索问题。在本文中，我们提出了一种二进制多视图融合框架，用于从多视图功能直接恢复潜伏的汉明子空间，例如检索。更具体地，多视图子空间重建和二进制量化在统一的框架中集成在统一的框架中，以便最小化原始多视图高维欧几里德空间与所得紧凑型汉明子空间之间的差异。此外，我们的方法基本上是没有涉及任何标记数据的无监督学习方案，因此可以在监督信息不可用或不足的情况下使用。公共基准和大型数据集的实验表明，我们的方法达到了与最先进的竞争检索性能，在大规模场景中具有出色的可扩展性。

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