• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural Networks and Learning Systems, IEEE Transactions on >Sequential Compact Code Learning for Unsupervised Image Hashing
【24h】

Sequential Compact Code Learning for Unsupervised Image Hashing

机译：用于无监督图像哈希的顺序紧凑代码学习

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

Effective hashing for large-scale image databases is a popular research area, attracting much attention in computer vision and visual information retrieval. Several recent methods attempt to learn either graph embedding or semantic coding for fast and accurate applications. In this paper, a novel unsupervised framework, termed evolutionary compact embedding (ECE), is introduced to automatically learn the task-specific binary hash codes. It can be regarded as an optimization algorithm that combines the genetic programming (GP) and a boosting trick. In our architecture, each bit of ECE is iteratively computed using a weak binary classification function, which is generated through GP evolving by jointly minimizing its empirical risk with the AdaBoost strategy on a training set. We address this as greedy optimization by embedding high-dimensional data points into a similarity-preserved Hamming space with a low dimension. We systematically evaluate ECE on two data sets, SIFT 1M and GIST 1M, showing the effectiveness and the accuracy of our method for a large-scale similarity search.
机译：大型图像数据库的有效散列是一个流行的研究领域，在计算机视觉和视觉信息检索中引起了很多关注。最近有几种方法试图学习图形嵌入或语义编码，以进行快速，准确的应用。在本文中，介绍了一种新颖的无监督框架，称为进化紧凑嵌入（ECE），可以自动学习特定于任务的二进制哈希码。可以将其视为结合了遗传编程（GP）和增强技巧的优化算法。在我们的体系结构中，使用弱二进制分类函数迭代计算ECE的每一位，该函数是通过GP进化生成的，该函数通过在训练集上使用AdaBoost策略共同最小化其经验风险来生成。我们通过将高维数据点嵌入到低维相似度保持的汉明空间中来解决贪婪优化问题。我们在两个数据集SIFT 1M和GIST 1M上系统地评估了ECE，显示了我们的方法在大规模相似搜索中的有效性和准确性。

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