1(昆明理工大学信息工程与自动化学院 昆明 650500);2(昆明理工大学信息化建设管理中心 昆明 650500);3(云南大学信息学院 昆明 650091);4(昆明理工大学云南省计算机技术应用重点实验室 昆明 650500) (he535040@qq.com)
出版日期: 2020-11-01基金资助:国家自然科学基金项目(81860318，81560296)Deep Highly Interrelated Hashing for Fast Image Retrieval
He Zhouyu1, Feng Xupeng2, Liu Lijun1,3, Huang Qingsong1,41(Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500);2(Information Technology Center, Kunming University of Science and Technology, Kunming 650500);3(School of Information Science and Engineering, Yunnan University, Kunming 650091);4(Yunnan Key Laboratory of Computer Technology Applications, Kunming University of Science and Technology, Kunming 650500)
Online: 2020-11-01Supported by:This work was supported by the National Natural Science Foundation of China (81860318, 81560296).摘要/Abstract
摘要： 近年来，随着图像数据量的爆炸式增长，散列方法与深度学习相结合的方法在图像检索领域表现出优异的性能.主流的深度监督散列方法大多采用“成对”策略，利用标签信息生成一个相似矩阵约束散列编码.这类方法的计算开销大，不适用于大规模的图像检索.为此，提出了一种一元深度监督散列学习方法——深度强相关散列学习方法，为卷积神经网络添加了一个散列层以得到散列码，通过计算低维散列码之间的汉明距离完成快速图像检索.特别地，为了学习到的散列码更具有区别性，提出了强相关损失函数约束散列码的生成.强相关损失函数通过改变模型对权重矩阵的敏感度调节特征之间的距离，尽可能地增大特征类间距离、缩小类内距离.该方法能够实现快速、准确的大规模图像检索，并且可以广泛地使用在多种卷积神经网络中.在CIFAR-10, NUS-WIDE, SVHN这3个大规模公开数据集中进行了大量实验，结果表明该方法的图像检索性能优于目前主流方法.
参考文献
相关文章 15
| [1] | 李若南, 李金宝. 一种无源被动室内区域定位方法的研究[J]. 计算机研究与发展, 2020, 57(7): 1381-1392. |
| [2] | 邢新颖, 冀俊忠, 姚垚. 基于自适应多任务卷积神经网络的脑网络分类方法[J]. 计算机研究与发展, 2020, 57(7): 1449-1459. |
| [3] | 于海涛, 杨小汕, 徐常胜. 基于多模态输入的对抗式视频生成方法[J]. 计算机研究与发展, 2020, 57(7): 1522-1530. |
| [4] | 王庆林, 李东升, 梅松竹, 赖志权, 窦勇. 面向飞腾多核处理器的Winograd快速卷积算法优化[J]. 计算机研究与发展, 2020, 57(6): 1140-1151. |
| [5] | 卓君宝, 苏驰, 王树徽, 黄庆明. 最小熵迁移对抗散列方法[J]. 计算机研究与发展, 2020, 57(4): 888-896. |
| [6] | 刘烨, 黄金筱, 马于涛. 基于混合神经网络和注意力机制的软件缺陷自动分派方法[J]. 计算机研究与发展, 2020, 57(3): 461-473. |
| [7] | 杜鹏, 丁世飞. 基于混合词向量深度学习模型的DGA域名检测方法[J]. 计算机研究与发展, 2020, 57(2): 433-446. |
| [8] | 程艳, 尧磊波, 张光河, 唐天伟, 项国雄, 陈豪迈, 冯悦, 蔡壮. 基于注意力机制的多通道CNN和BiGRU的文本情感倾向性分析[J]. 计算机研究与发展, 2020, 57(12): 2583-2595. |
| [9] | 石文浩,孟军,张朋,刘婵娟. 融合CNN和Bi-LSTM的miRNA-lncRNA互作关系预测模型[J]. 计算机研究与发展, 2019, 56(8): 1652-1660. |
| [10] | 徐少平,刘婷云,李崇禧,唐祎玲,胡凌燕. 基于CNN噪声分离模型的噪声水平估计算法[J]. 计算机研究与发展, 2019, 56(5): 1060-1070. |
| [11] | 武铮,安虹,金旭,迟孟贤,吕国锋,文可,周鑫. 基于Intel平台的Winograd快速卷积算法研究与优化[J]. 计算机研究与发展, 2019, 56(4): 825-835. |
| [12] | 郭雨潇,陈雷霆,董悦. 单帧图像下的环境光遮蔽估计[J]. 计算机研究与发展, 2019, 56(2): 385-393. |
| [13] | 徐少平,刘婷云,罗洁,张贵珍,唐祎玲. 图像质量感知的混合噪声快速盲降噪算法[J]. 计算机研究与发展, 2019, 56(11): 2458-2468. |
| [14] | 任魏翔,翟黎明,王丽娜,嘉炬. 基于卷积神经网络的JPEG图像隐写分析参照图像生成方法[J]. 计算机研究与发展, 2019, 56(10): 2250-2261. |
| [15] | 张皓,吴建鑫. 基于深度特征的无监督图像检索研究综述[J]. 计算机研究与发展, 2018, 55(9): 1829-1842. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4295
