Learning Robust Hash Codes for Multiple Instance Image Retrieval
Technische Universität München(慕尼黑工业大学);IBM Almaden Research Center(IBM阿尔马登研究中心);Johns Hopkins University(约翰斯·霍普金斯大学)
在本文中,我们首次介绍了一种多实例(MI)深度哈希技术,用于学习具有弱袋级监督的判别哈希码,适用于大规模检索。我们通过一个专用的MI池层,在包成员之间聚合深入学习的分层表示来学习这种哈希码。为了更好的可训练性和检索质量,我们提出了一种双管齐下的方法,包括鲁棒优化和训练,并使用一个辅助的单实例散列臂,该散列臂逐渐下调。我们提出检索肿瘤评估作为一个MI问题,因为肿瘤往往与良性肿块共存,并可能表现出互补的签名时,从不同的解剖视图扫描。对基准乳腺X射线摄影和组织学数据集的实验验证表明,与最先进的方法相比,检索性能有所提高。
2017-03-16 cs.CV
CIMON: Towards High-quality Hash Codes
Peking University(北京大学);Alibaba Group(阿里巴巴集团);Harbin Institute of Technology(哈尔滨工业大学)
最近,散列算法因其存储和计算效率而被广泛应用于近似最近邻搜索。大多数无监督哈希方法通过从预训练模型构建局部语义相似性结构作为指导信息来学习将图像映射到语义相似性保持哈希码,即,如果每个点对在特征空间中的距离很小,则将它们相似地对待。然而,由于预训练模型的低效表示能力,在散列码学习过程中会引入许多局部语义相似度的假阳性和假阴性,并导致错误传播。而且,这些方法很少考虑模型的鲁棒性,这将导致哈希码对干扰的不稳定性。本文提出了一种新的方法-{ \textbf{C} }完全的{ \textbf{I} }相似性{\textbf{M} }的挖掘和{ \textbf{O} }完全的{ \textbf{N} }挖掘(CIMON)。首先,我们使用全局细化和相似性统计分布,以获得可靠和平滑的指导。其次,语义和对比一致性学习的引入,以获得干扰不变和歧视性哈希码。在多个基准数据集上的实验表明,该方法在检索性能和鲁棒性方面都优于各种最先进的方法。
2021-08-21 cs.CV
Supervised Incremental Hashing
University of Maryland(马里兰大学)
我们提出了一种增量策略,用于学习大规模图像搜索的核哈希函数。我们的方法是基于一个两阶段的分类框架,将二进制代码之间的特征空间和语义空间的中间变量。在分类的第一阶段,二进制代码被一组二进制支持向量机视为类标签;每个对应于一个比特。在第二阶段,二进制代码成为多类SVM的输入空间。哈希函数通过一种高效的算法来学习,其中通过循环坐标下降来解决寻找最佳二进制代码的NP难题,并以并行增量方式训练支持向量机。对于像从以前看不见的类添加图像这样的修改,我们描述了一个增量过程,用于有效和高效地更新以前的哈希函数。在三个大规模图像数据集上的实验表明,所提出的散列方法,监督增量散列(SIH),在最先进的监督散列方法的有效性。
2016-06-09 cs.CV
Deep Priority Hashing
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心)
深度哈希通过从具有成对相似性信息的训练数据中端到端学习深度表示和哈希码来实现图像检索。受制于相似性信息下的分布偏度,大多数现有的深度散列方法可能由于错误指定的损失函数而对不平衡数据表现不佳。本文介绍了深度优先级哈希(DPH),这是一种端到端架构,可以在贝叶斯学习框架中生成紧凑且平衡的哈希码。其主要思想是重塑相似性保持学习的标准交叉熵损失,从而降低与高置信度对相关的损失。这个想法导致了一种新的优先级交叉熵损失,它优先考虑不确定对的训练,而不是置信对。此外,我们提出了另一种优先级量化损失,优先考虑难以识别的例子产生几乎无损的哈希码。大量的实验表明,DPH可以生成高质量的哈希码,并在ImageNet,NUS-WIDE和MS-COCO三个数据集上产生最先进的图像检索结果。
2018-09-04 cs.CV
Deep Learning to Ternary Hash Codes by Continuation
最近,人们已经观察到,{0,1,-1}-三进制码,简单地从深特征通过硬阈值生成,往往优于{-1,1}-二进制码在图像检索。为了获得更好的三进制码,我们首次提出通过向网络附加平滑函数来联合学习特征与代码。在训练过程中,该函数可以通过延拓方法进化成非光滑的三元函数。该方法避免了直接训练离散函数的困难,减少了三进制码的量化误差。实验表明,生成的代码确实能达到较高的检索准确率。
2021-07-16 cs.CV
Online Hashing with Similarity Learning
Peking University(北京大学)
在线散列方法通常在线学习散列函数,旨在有效地适应流媒体环境中的数据变化。然而,当散列函数被更新时,整个数据库的二进制代码必须被更新以与散列函数一致,导致在线图像检索过程的效率低下。在本文中,我们提出了一种新型的在线哈希框架,无需更新二进制代码。在所提出的框架中,散列函数是固定的,二进制代码的参数相似性函数在线学习,以适应流数据。具体地说,采用了一种具有双线性形式的参数相似性函数,并根据散列方法的特点,提出了一种在线学习相似性函数的度量学习算法。在两个多标签图像数据集上的实验表明,该方法在多标签图像检索的准确性和效率方面具有竞争力或优于最先进的在线哈希方法。
2021-07-04 cs.CV
Simultaneous Region Localization and Hash Coding for Fine-grained Image Retrieval
Sun Yat-Sen University(中山大学)
细粒度图像散列算法由于其区分区域定位和散列代码生成的困难而成为一个具有挑战性的问题。大多数现有的深度哈希方法独立地解决这两个任务。而这两项任务是相互关联的,可以相互加强。在本文中,我们提出了一种深度细粒度哈希,同时本地化的判别区域,并产生有效的二进制代码。该方法由区域定位模块和哈希编码模块组成。区域定位模块旨在向散列编码模块提供信息区域。哈希编码模块的目的是生成有效的二进制代码,并为学习更好的定位器提供反馈。此外,为了更好地捕捉细微差异,在不需要边界框/部分注释的情况下学习不同层的多尺度区域。在两个公开的基准细粒度数据集上进行了大量的实验。结果表明,我们的方法相对于其他细粒度哈希算法的性能显着改善。
2019-11-19 cs.CV
Hashing in the Zero Shot Framework with Domain Adaptation
Indian Institute of Technology Gandhinagar(甘地讷格尔印度理工学院)
散列码的学习技术可以有效地存储和检索大规模的多媒体数据,近年来引起了广泛的研究兴趣。随着新出现的概念和在线数据的快速爆炸,现有的监督散列算法由于获得人工注释的高成本而遭受缺乏地面真值注释的问题。因此,我们提出了一种算法来学习一个哈希函数训练图像属于“看到”类,可以有效地编码图像的“看不见”类的二进制代码。具体来说,我们将视觉空间的图像特征和语义空间的语义特征投影到一个共同的汉明子空间中。早期的工作,以产生散列码已试图放松散列码的离散约束,并解决连续优化问题。然而,它往往会导致量化误差。在这项工作中,我们使用最大边缘分类器来学习一个有效的哈希函数。为了解决由于引入新类而可能出现的域转移问题,我们还在建议的哈希框架中引入了无监督的领域自适应模型。三个数据集上的结果表明,使用领域自适应在学习高质量的哈希函数和优越性的图像检索性能的任务,我们的方法相比,几个国家的最先进的哈希方法的优势。
2017-02-28 cs.CV
Supervised Deep Hashing for Hierarchical Labeled Data
Beijing Institute of Technology(北京理工大学);National University of Singapore(新加坡国立大学);South China University of Technology(华南理工大学)
近年来,散列方法在大规模图像检索中得到了广泛的应用。然而,现有的散列方法大多没有考虑标签之间的层次关系,这意味着它们忽略了层次结构中存储的丰富信息。此外,大多数以前的工作,平等地对待每一个比特的哈希码,这不符合层次标记数据的情况。在本文中,我们提出了一种新的深度哈希方法,称为监督分层深度哈希(SHDH),对分层标记数据进行哈希码学习。具体来说,我们定义了一个新的相似性公式分层标记的数据通过加权每一层,并设计了一个深卷积神经网络,以获得每个数据点的哈希码。在几个真实世界的公共数据集上进行的大量实验表明,该方法在图像检索任务中的性能优于最先进的基线。
2017-09-12 cs.CV
PQTable: Non-exhaustive Fast Search for Product-quantized Codes using Hash Tables
National Institute of Informatics(信息与系统研究机构国立情报学研究所);University of Tokyo(东京大学)
在本文中,我们提出了一个积量化表(PQTable),一个快速搜索方法的积量化码通过哈希表。每个数据库向量的标识符通过使用其PQ码作为关键字而与哈希表的槽相关联。对于查询,输入向量被PQ编码和散列,然后检索与该代码相关联的项。建议的PQ表产生与线性PQ扫描相同的结果,并且快10^2到10^5倍。虽然通过以前的基于反向索引的方法可以实现最先进的性能,但这些方法需要手动设计的参数设置和大量的培训;我们的PQTable没有这些限制,因此为现实世界的问题提供了实用有效的解决方案。具体来说,当向量被高度压缩时,我们的PQTable在单个CPU上实现了迄今为止最快的搜索性能之一,并且内存使用效率非常高(在10^9个数据点上每次查询0.059 ms,仅消耗5.5 GB内存)。最后,我们表明,我们提出的PQTable可以自然地处理优化的产品量化(OPQTable)的代码。
2017-04-21 cs.CV
Supervised Learning of Semantics-Preserving Hash via Deep Convolutional Neural Networks
Academia Sinica(中央研究院);University of Washington(华盛顿大学)
本文提出了一种简单而有效的监督深度哈希方法,该方法从标记数据中构建二进制哈希码,用于大规模图像搜索。我们假设语义标签由几个潜在属性控制,每个属性打开或关闭,分类依赖于这些属性。基于这一假设,我们的方法被称为监督语义保持深度哈希(SSDH),将哈希函数构造为深度网络中的潜在层,并通过最小化定义在分类错误和其他期望哈希码属性上的目标函数来学习二进制代码。通过这种设计,SSDH具有将分类和检索统一在一个学习模型中的良好特性。此外,SSDH以逐点方式执行图像表示、哈希码和分类的联合学习,因此可扩展到大规模数据集。SSDH很简单,可以通过对现有深层分类架构的轻微增强来实现;但它很有效,在几个基准和大型数据集上优于其他哈希方法。与现有方法相比,SSDH在不牺牲分类性能的前提下,获得了更高的检索精度。
2017-02-14 cs.CV
Compact Hash Code Learning with Binary Deep Neural Network
University of Liverpool(利物浦大学);Singapore University of Technology and Design(新加坡科技设计大学);University of Adelaide(阿德莱德大学)
使用深度神经网络学习压缩二进制代码用于图像检索问题最近引起了越来越多的关注。然而,由于哈希码上的二进制约束,训练深度哈希网络具有挑战性。在本文中,我们提出了深度网络模型和学习算法,用于在无监督和有监督的方式下学习给定图像表示的二进制哈希码。我们的网络设计的新颖之处在于,我们限制一个隐藏层直接输出二进制代码。该设计克服了以前一些作品中的一个具有挑战性的问题:由于二值化而优化非光滑目标函数。此外,我们建议将独立性和平衡性质的直接和严格的形式到学习计划。我们还包括在我们的目标函数的相似性保持属性。涉及这些二元、独立和平衡约束的优化结果很难解决。为了解决这个困难,我们建议通过交替优化和仔细放松来学习网络。此外,通过利用卷积神经网络的强大能力,我们提出了一个端到端的架构,共同学习提取视觉特征,并产生二进制哈希码。基准数据集的实验结果表明,所提出的方法相比有利或优于最先进的。
2019-08-30 cs.CV
MTFH: A Matrix Tri-Factorization Hashing Framework for Efficient Cross-Modal Retrieval
Huaqiao University(华侨大学);Xidian University(西安电子科技大学);Stony Brook University(石溪大学);Hong Kong Baptist University(香港浸会大学)
散列技术以其低存储开销和高查询速度的优点,引发了跨模态检索的一场革命。最近的跨模态哈希方法通常学习统一或等长的哈希码来表示多模态数据,并使它们具有直观的可比性。然而,这种统一或等长的散列表示可能固有地牺牲其表示可扩展性,因为来自不同模态的数据可能不具有一一对应关系,并且可以通过不等长度的不同散列码来更有效地编码。为了缓解这些问题,本文利用了一个相关的和相对未探索的问题:编码的异构数据与不同的哈希长度和推广的跨模态检索在各种具有挑战性的情况下。为此,提出了一种通用且灵活的跨模态散列框架,称为矩阵三因子散列(MTFH),可以在各种设置中无缝工作,包括配对或未配对的多模态数据,以及相等或不同的散列长度编码场景。更具体地说,MTFH利用一个有效的目标函数来灵活地学习具有不同长度设置的特定于模态的散列码,同时同步学习两个语义相关矩阵,以在语义上关联不同的散列表示,用于异构数据可比。因此,所得到的哈希码对于各种具有挑战性的跨模态检索任务具有更强的语义意义。在公共基准数据集上进行的大量实验突出了MTFH在各种检索场景下的优越性,并显示了其与最先进技术的竞争性能。
2019-09-12 cs.CV
Compact Hash Codes for Efficient Visual Descriptors Retrieval in Large Scale Databases
Università degli Studi di Firenze(佛罗伦萨大学);Media Integration and Communication Center(媒体集成与通信中心)
在本文中,我们提出了一种有效的方法,视觉描述符检索的基础上计算使用多个k-均值分配紧凑的哈希码。该方法已被应用到本地和全局视觉内容描述符的近似最近邻(ANN)搜索的问题,并已在不同的数据集上进行了测试:三个大规模的公共数据集高达十亿个描述符(BIGANN),并支持最近的进展卷积神经网络(CNN),也对CIFAR-10和MNIST数据集。实验结果表明,尽管它的简单,所提出的方法获得了非常高的性能,使其优于更复杂的国家的最先进的方法。
2016-05-10 cs.CV
Nested Hash Layer: A Plug-and-play Module for Multiple-length Hash Code Learning
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(认知智能国家重点实验室,中国科学技术大学);NetEase Fuxi AI Lab(网易伏羲AI实验室)
提出即插即用模块NHL,通过嵌套结构同时生成多长度哈希码,结合动态加权与自蒸馏策略优化训练,在多模型上实现5至8倍加速并提升约3.4%性能。
2025-05-30 cs.CV cs.IR
ConceptHash: Interpretable Fine-Grained Hashing via Concept Discovery
University of Surrey(萨里大学);iFlyTek-Surrey Joint Research Centre on Artificial Intelligence(讯飞-萨里人工智能联合研究中心);Surrey Institute for People-Centred Artificial Intelligence(萨里以人为本人工智能研究所);CVSSP(视觉、语音和信号处理中心)
提出 ConceptHash,通过 Vision Transformer 的概念 token 自动发现无标注视觉概念,并结合语言引导生成可解释且具区分性的细粒度哈希码,在四个基准上显著优于现有方法。
2024-06-12 cs.CV
Deep Hashing with Hash-Consistent Large Margin Proxy Embeddings
Huawei Technologies(华为技术有限公司);Netflix(奈飞公司);University of California, San Diego(加利福尼亚大学圣迭戈分校)
图像哈希码是通过对训练用于分类或检索的卷积神经网络(CNN)的嵌入进行二值化来产生的。虽然代理嵌入在这两个任务上都实现了良好的性能,但由于鼓励非二进制嵌入的旋转模糊性,它们对于二进制化来说并不是微不足道的。提出使用一组固定的代理(CNN分类层的权重)来消除这种模糊性,并介绍了一种设计对分类和散列都接近最佳的代理集的过程。由此产生的散列一致的大保证金(HCLM)代理,鼓励饱和的散列单元,从而保证一个小的二进制化错误,同时产生高度歧视性的散列代码。语义扩展(sHCLM),旨在提高哈希性能的传输方案,也提出了。大量的实验表明,sHCLM嵌入在几个小型和大型数据集上,无论是在训练类集内还是在训练类集外,都比最先进的哈希程序有了显着的改进。
2020-07-27 cs.CV
Codebook-Centric Deep Hashing: End-to-End Joint Learning of Semantic Hash Centers and Neural Hash Function
针对现有深度哈希方法随机初始化哈希中心忽略语义、两阶段方法存在开销与性能缺陷的问题,提出端到端的CRH框架,联合优化哈希函数并动态重分配哈希中心,在检索任务上性能优于现有最优方法。
2025-11-15 cs.CV cs.LG
Self-supervised asymmetric deep hashing with margin-scalable constraint
Southwest University(西南大学);Leiden University(莱顿大学)
深度哈希算法由于其高效性和实用性,被广泛应用于大规模视觉搜索。然而,由于两个主要原因,为与多个语义相关联的图像产生紧凑且有区别的散列码仍然是具有挑战性的,1)在大多数现有方法中设计的相似性约束是基于过度简化的相似性分配(即,0表示没有共享标签的对,1表示共享至少1个标签的对),2)在许多现有方法中,对多语义相关性的探索是不足的,甚至被忽视。这些问题极大地限制了对所生成的散列码的区分。在本文中,我们提出了一种新的自监督非对称深度哈希方法,采用边缘可扩展约束(SADH)方法来解决这些问题。SADH实现了一个自监督网络,以充分保留给定数据集的语义的语义特征字典和语义代码字典中的语义信息,这有效地和精确地指导特征学习网络使用非对称学习策略来保留多标签语义信息。通过进一步利用语义字典,一个新的边缘可扩展的约束,采用精确的相似性搜索和鲁棒的哈希代码生成。四个流行的基准测试的广泛的实证研究验证了所提出的方法,并显示它优于几个国家的最先进的方法。
2021-07-23 cs.CV
FMHash: Deep Hashing of In-Air-Handwriting for User Identification
Arizona State University(亚利桑那州立大学)
许多移动系统和可穿戴设备(例如虚拟现实(VR)或增强现实(AR)头戴式耳机)缺少键盘或触摸屏来键入用于登录虚拟网站的ID和密码。然而,它们通常配备有手势捕捉接口,以允许用户直接通过手势与系统交互。虽然基于手势的认证已经得到了很好的研究,但较少关注基于手势的用户识别问题,其本质上是帐户ID的输入方法和手势信号数据库的有效搜索和索引方法。在本文中,我们提出了FMHash(即,Finger Motion Hash),这是一种用户识别框架,可以从ID字符串的一段空中手写生成紧凑的二进制哈希码。该哈希码通过哈希表使用空中手写实现对大型帐户数据库的索引和快速搜索。为了证明该框架的有效性,我们实现了一个原型,并在我们收集的200个帐户的数据集上实现了>99.5%的准确率和>92.6%的召回率。将空中手写模式散列为二进制代码的能力可以用于在连接到互联网的未来移动和可穿戴系统上实现方便的空中手写手势ID登录和注册。
2019-07-16 cs.CV
Simultaneous Feature Learning and Hash Coding with Deep Neural Networks
National University of Singapore(新加坡国立大学);Sun Yan-Sen University(中山大学)
相似性保持哈希算法是大规模图像检索任务中广泛使用的最近邻搜索方法。对于大多数现有的散列方法,图像首先被编码为手工设计的视觉特征的向量,然后是另一个单独的投影或量化步骤,生成二进制代码。然而,这样的视觉特征向量可能不是最佳地与编码过程兼容,从而产生次优散列码。在本文中,我们提出了一种监督哈希的深度架构,其中图像通过精心设计的深度神经网络映射到二进制代码。所提出的深度架构的流水线由三个构建块组成:1)具有卷积层堆栈的子网络,以产生有效的中间图像特征; 2)划分和编码模块,以将中间图像特征划分为多个分支,每个分支编码为一个散列位;以及3)三重排序损失,其被设计为表征一个图像与第二图像比与第三图像更相似。对几个基准图像数据集的广泛评估表明,所提出的同时特征学习和哈希编码管道比其他最先进的监督或无监督哈希方法带来了实质性的改进。
2015-04-14 cs.CV
FDDH: Fast Discriminative Discrete Hashing for Large-Scale Cross-Modal Retrieval
Huaqiao University(华侨大学);Sun Yat-sen University(中山大学);Hong Kong Baptist University(香港浸会大学)
跨模态散列因其有效性和效率而受到广泛关注,以促进跨不同模态的高效检索。然而,大多数现有的方法在学习哈希码时没有充分利用语义信息的区分能力,同时经常涉及耗时的训练过程来处理大规模数据集。为了解决这些问题,我们制定了学习的相似性保持哈希码的正交旋转的语义数据,以尽量减少量化损失的映射这些数据到汉明空间,并提出了一个有效的快速判别离散哈希(FDDH)的大规模跨模态检索的方法。具体地说,FDDH引入正交基将训练样本的目标哈希码回归到其对应的语义标签,并利用“拖拽”技术提供可证明的大语义边界。因此,语义信息的区分能力可以被明确地捕获并最大化。进一步提出了一种正交变换方案,将非线性嵌入数据映射到语义子空间中,能够很好地保证数据特征与其语义表示的语义一致性。因此,一个有效的封闭形式的解决方案推导出的歧视性哈希码学习,这是非常计算效率。此外,一个有效的和稳定的在线学习策略,提出了优化特定模态的投影函数,具有适应不同的训练规模和流数据。所提出的FDDH方法理论上近似于双Lipschitz连续性,运行速度足够快,并且还显着提高了检索性能。源代码发布于:https://github.com/starxliu/FDDH。
2021-05-15 cs.CV
A Novel Incremental Cross-Modal Hashing Approach
Indian Institute of Science(印度科学学院)
跨模态检索处理当从另一模态提供搜索查询时从一个模态检索相关项目。由于易于存储、快速计算和高准确性,数据表示为二进制位的哈希技术特别重要。在现实世界中,数据类别的数量不断增加,这需要能够处理这种动态场景的算法。在这项工作中,我们提出了一种新的增量跨模态哈希算法称为“iCMH”,它可以适应自己来处理新类别的传入数据。该方法包括两个连续的阶段,即学习哈希码和训练哈希函数。在每个阶段,使用少量的被称为“样本”的旧类别数据,以便在尝试学习新的传入数据时不会忘记旧数据,即避免灾难性遗忘。在第一阶段中,使用样本的哈希码,同时计算新数据的哈希码,以使其保持与现有数据的语义关系。对于第二阶段,我们提出了非深度和深度架构来有效地学习哈希函数。在各种跨模态数据集上的广泛实验以及与最先进的跨模态算法的比较表明了我们方法的实用性。
2020-02-03 cs.CV
Self-Supervised Video Hashing with Hierarchical Binary Auto-encoder
University of Electronic Science and Technology of China(电子科技大学);Nanyang University of Technology(南洋理工大学);Hefei University of Technology(合肥工业大学)
现有的视频哈希函数建立在三个孤立的阶段:帧池化,松弛学习和二进制化,这没有充分探索联合二进制优化模型中视频帧的时间顺序,导致严重的信息丢失。在本文中,我们提出了一种新的无监督视频哈希框架,称为自监督视频哈希(SSVH),能够以端到端的学习哈希方式捕获视频的时间特性。我们具体解决两个中心问题:1)如何设计一个编码器-解码器架构来生成视频的二进制代码;以及2)如何使二进制代码具有准确的视频检索能力。我们设计了一个层次化的二进制自动编码器来模拟多粒度视频中的时间依赖关系,并将视频嵌入到二进制代码中,比堆栈架构的计算量更少。然后,我们鼓励二进制代码同时重建视频的视觉内容和邻域结构。在两个真实世界数据集(FCVID和YFCC)上的实验表明,我们的SSVH方法在无监督视频检索任务上的性能明显优于现有的方法,达到了目前最好的性能。
2018-02-07 cs.CV
Asymmetric Hash Code Learning for Remote Sensing Image Retrieval
Peng Cheng Laboratory(鹏城实验室);Wuhan University(武汉大学);Hunan University(湖南大学);Helmholtz-Zentrum Dresden-Rossendorf(亥姆霍兹德累斯顿-罗森多夫研究中心);Helmholtz Institute Freiberg for Resource Technology(亥姆霍兹弗莱贝格资源技术研究所);Institute of Advanced Research in Artificial Intelligence(人工智能高级研究所);University of Iceland(冰岛大学)
遥感图像检索(RSIR)是遥感应用中的一项重要任务,其目的是寻找与给定查询图像相似的项目集。深度哈希学习作为当前的主流方法,取得了令人满意的检索性能。一方面,各种深度神经网络被用于遥感图像的语义特征提取。另一方面,随后采用哈希技术将高维深度特征映射到低维二进制代码。这种方法试图以对称的方式为查询和数据库样本学习一个散列函数。然而,随着数据库样本数量的增加,生成大规模数据库图像的哈希码通常是耗时的。在本文中,我们提出了一种新的深度哈希方法,称为非对称哈希码学习(AHCL),RSIR。所提出的AHCL以非对称的方式生成查询和数据库图像的哈希码。具体地说,通过对网络输出进行二值化得到查询图像的哈希码,而数据库图像的哈希码则通过求解设计的目标函数直接学习得到。此外,我们将每幅图像的语义信息和图像对的相似性信息作为监督信息,训练一个深度哈希网络,提高了深度特征和哈希码的表示能力。在三个公开数据集上的实验结果表明,该方法在检索精度和效率方面优于对称方法。TGRS 2022的源代码可在https://github.com/weiweisong415/Demo AHCL获得。
2022-01-15 cs.CV cs.IR
Central Similarity Quantization for Efficient Image and Video Retrieval
National University of Singapore(新加坡国立大学);Tencent AI Lab(腾讯人工智能实验室);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
现有的数据相关哈希方法通常从成对或三元组数据关系中学习哈希函数,只能局部地捕捉数据的相似性,学习效率低,碰撞率低。在这项工作中,我们提出了一个新的\emph{global}相似性度量,被称为\emph{central similarity},与鼓励的哈希码相似的数据对,以接近一个共同的中心和那些不相似的数据对收敛到不同的中心,以提高哈希学习效率和检索精度。我们主要通过引入一个新的概念来公式化所提出的中心相似性度量的计算,即,\emph{hash center}是指分散在汉明空间中的一组数据点,彼此之间具有足够的相互距离。然后,我们提供了一个有效的方法来构建良好分离的哈希中心,利用阿达玛矩阵和伯努利分布。最后,我们提出了中心相似性量化(CSQ),优化数据点之间的中心相似性w.r.t.它们的哈希中心,而不是优化局部相似性。CSQ是通用的,适用于图像和视频哈希场景。在大规模图像和视频检索任务上的大量实验表明,CSQ可以为相似数据对生成内聚哈希码,为不相似数据对生成分散哈希码,检索性能显著提高,mAP比现有技术提高了3%~ 20%.代码位于:\url{https://github.com/yuanli2333/Hadamard-Matrix-for-hashing}
2020-03-31 cs.CV
Hard Example Guided Hashing for Image Retrieval
School of Software, South China Normal University(华南师范大学软件学院);College of Engineering and Computer Science, Syracuse University(雪城大学工程与计算机科学学院)
与传统的哈希方法相比,深度哈希方法产生的哈希码具有丰富的语义信息,在图像检索领域的性能有了很大的提高。然而,目前的深度哈希方法在预测硬样本的相似性方面并不令人满意。影响硬样本学习能力的主要因素有两个:关键特征提取薄弱和硬样本不足。本文提出了一种新的端到端模型,用于从硬示例中提取关键特征,并获得具有准确语义信息的哈希码。此外,我们重新设计了一个硬对损失函数来评估样本的硬度和更新惩罚权重。它有效地解决了困难实例中的短缺问题。在CIFAR-10和NUS-WIDE上的实验结果表明,该模型的性能优于主流的基于散列的图像检索方法。
2021-12-27 cs.CV
Variable-Length Hashing
Institute for Infocomm Research(资讯通信研究院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Advanced Digital Science Center(先进数字科学中心)
散列已经成为大规模相似性搜索的流行技术。大多数基于学习的哈希方法生成紧凑但相关的哈希码。然而,这种冗余是存储效率低的。因此,我们提出了一个无损的可变长度哈希(VLH)方法,是存储和搜索效率。存储效率是通过将固定长度的哈希码转换为可变长度的哈希码来实现的。通过使用多个哈希表结构来获得搜索效率。使用VLH,我们能够故意将冗余添加到哈希码中,以提高检索性能,而不会牺牲存储效率或搜索复杂性。特别是,我们提出了一个块K-means哈希(B-KMH)的方法,以获得显着提高检索性能,没有增加存储和边际增加计算成本。
2016-03-17 cs.CV cs.IR
Beyond Post-Quantization: Native Hash Learning with a Dedicated HASH Token
Institute of Information Engineering, CAS(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Department of Applied Mathematics and Statistics, Johns Hopkins University(约翰霍普金斯大学应用数学与统计系)
研究高效图像检索的紧凑表示问题,提出HashViT框架,通过专用哈希令牌及相关设计在Transformer内生成二进制表示,经统一目标优化,实验表明其性能优且保留汉明码效率。
2026-07-22 cs.CV cs.IR
PDH : Probabilistic deep hashing based on MAP estimation of Hamming distance
Hitachi, Ltd.(株式会社日立制作所);Shizuoka University(静冈大学)
随着网络上图像的增长,对能够实现高速图像检索的散列的研究已经被积极地研究。近年来,已经提出了各种基于深度神经网络的散列方法,并且实现了比其他散列方法更高的精度。在这些方法中,定义了散列码的多重损失和神经网络的参数。它们生成哈希码,使损失的加权和最小化。因此,专家必须精确地调整损失的权重,并且无法解释损失函数的概率最优性。为了在不调整权重的情况下生成可解释的哈希码,我们从理论上推导出一个没有超参数的哈希码的损失函数。通过生成使该损失函数最小化的散列码,执行具有概率最优性的高度准确的图像检索。我们使用MNIST,CIFAR-10,SVHN散列的性能进行评估,并表明所提出的方法优于最先进的散列方法。
2019-05-21 cs.CV cs.LG
Multiple Code Hashing for Efficient Image Retrieval
National Key Laboratory for Novel Software Technology(计算机软件新技术国家重点实验室);Collaborative Innovation Center of Novel Software Technology and Industrialization(新型软件技术与工业化协同创新中心);Nanjing University(南京大学)
本文提出多编码哈希(MCH)框架,通过深度强化学习为每张图像学习多个区域哈希码,以解决单哈希码在复杂语义下哈希桶搜索效率低的问题,显著提升图像检索性能。
2024-05-05 cs.CV cs.LG stat.ML
ElasticHash: Semantic Image Similarity Search by Deep Hashing with Elasticsearch
University of Marburg(马尔堡大学)
提出ElasticHash,结合深度哈希与Elasticsearch的两阶段搜索,在OpenImages上实现高质量、低延迟的大规模图像相似性检索。
2023-05-08 cs.CV cs.MM
Feature Learning based Deep Supervised Hashing with Pairwise Labels
Nanjing University(南京大学)
近年来,散列算法在大规模图像检索中得到了广泛的应用。然而,大多数现有的散列方法都是基于手工制作的功能,可能无法与散列过程最佳兼容。最近,已经提出了使用深度神经网络来同时执行特征学习和散列代码学习的深度散列方法,其表现出比具有手工特征的传统散列方法更好的性能。这些深度哈希方法中的大多数都是有监督的,其监督信息由三元组标签给出。对于另一种常见的成对标签应用场景,还没有同时进行特征学习和散列代码学习的方法。在本文中,我们提出了一种新的深度哈希方法,称为深度成对监督哈希(DPSH),用于对具有成对标签的应用程序同时进行特征学习和哈希代码学习。在真实数据集上的实验表明,我们的DPSH方法可以优于其他方法,以实现最先进的性能在图像检索应用。
2016-04-21 cs.CV cs.LG
One Loss for All: Deep Hashing with a Single Cosine Similarity based Learning Objective
Universiti Malaya(马来亚大学);University of Surrey(萨里大学);Geek+(极智嘉);iFlyTek-Surrey Joint Research Centre on Artificial Intelligence(科大讯飞-萨里人工智能联合研究中心)
深度哈希模型通常有两个主要的学习目标:使学习的二进制哈希码具有区分性和最小化量化误差。在诸如比特平衡和码正交性的进一步约束的情况下,现有模型采用大量(>4)损耗并不罕见。这导致模型培训的困难,并随后阻碍其有效性。在这项工作中,我们提出了一种新的深度哈希模型,只有一个学习目标。具体来说,我们表明,最大限度地提高连续码和相应的二进制正交码之间的余弦相似性,可以确保散列码的鉴别力和量化误差最小化。此外,利用该学习目标,可以通过简单地使用批量归一化(BN)层来实现代码平衡,并且多标签分类也可以直接使用标签平滑。其结果是一个单损失深度哈希模型,消除了调整各种损失权重的所有麻烦。重要的是,大量的实验表明,我们的模型是非常有效的,在三个大规模的实例检索基准测试中,性能优于最先进的多损失哈希模型,通常是显著的利润率。代码可在https://github.com/kamwoh/orthohash上获得
2021-09-29 cs.CV cs.LG
Dual-level Semantic Transfer Deep Hashing for Efficient Social Image Retrieval
Shandong Normal University(山东师范大学);Shandong Computer Science Center (National Supercomputer Center in Jinan)(山东省计算中心(国家超级计算济南中心));Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东省科学院));University of Electronic Science and Technology of China(电子科技大学);Harbin Institute of Technology(哈尔滨工业大学)
社交网络存储和传播了大量的用户共享图像。深度哈希技术具有深度表示能力强、检索速度快、存储开销小等优点,是一种支持大规模社会图像检索的有效索引技术。特别是,无监督深度哈希具有良好的可扩展性,因为它不需要任何手动标记的数据进行训练。然而,由于缺乏标签指导,现有方法在优化大量的深层神经网络参数时存在严重的语义不足。因此,在本文中,我们提出了一种双层语义转移深度哈希(DSTDH)方法,通过统一的深度哈希学习框架来缓解这个问题。我们的模型的目标是通过专门利用与社交图像相关的用户生成的标签来学习语义增强的深度哈希码。具体来说,我们设计了一个互补的双层语义转换机制,有效地发现潜在的语义标签,并无缝地将它们转换成二进制哈希码。一方面,实例级语义直接保存到散列码从相关的标签与不利的噪声去除。此外,构造了图像概念超图,间接地将图像和标签之间的潜在高阶语义关联转换为哈希码。此外,通过离散散列优化策略,在深度表示学习的同时获得散列码。在两个公开的社会图像检索数据集上进行的大量实验验证了我们的方法与最先进的哈希方法相比的优越性能。我们的方法的源代码可以在https://github.com/research2020-1/DSTDH上获得
2020-06-10 cs.CV cs.IR
Sparse similarity-preserving hashing
近年来,大量的注意力已经投入到有效的最近邻搜索的相似性保持哈希。现有散列技术的困境之一是性能和计算复杂性之间的内在权衡:虽然较长的散列码允许较低的误报率,但很难在不导致非常高的误报率或禁止计算成本的情况下增加嵌入维数。在本文中,我们提出了一种方法来克服这种限制,强制散列码是稀疏的。稀疏高维码享有长散列的典型的低假阳性率,同时保持假阴性率类似于具有相等数量的自由度的较短密集散列方案的假阴性率。我们使用一个定制的前馈神经网络的哈希函数。涉及视觉和多模态数据的广泛的实验评估显示了所提出的方法的好处。
2014-02-16 cs.CV cs.DS
DVHN: A Deep Hashing Framework for Large-scale Vehicle Re-identification
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University(上海交通大学电子信息与电气工程学院);University of Southern California(南加州大学)
在本文中,我们首次尝试研究深度哈希学习与车辆重新识别的集成。我们提出了一个基于深度哈希的车辆重新识别框架,称为DVHN,它大大减少了内存使用,提高了检索效率,同时保留了最近邻搜索的准确性。具体地说,DVHN通过联合优化特征学习网络和哈希码生成模块,直接为每幅图像学习离散紧凑二进制哈希码。具体来说,我们直接将卷积神经网络的输出约束为离散二进制代码,并确保学习的二进制代码对于分类是最佳的。为了优化深度离散哈希框架,我们进一步提出了一种交替最小化方法来学习二进制相似性保持哈希码。在两个广泛研究的车辆重新识别数据集- \textbf{VehicleID}和\textbf{VeRi} -~上进行的大量实验证明了我们的方法相对于最先进的深度哈希方法的优越性。对于\textbf{VehicleID (800)}数据集,$2048$位的\textbf{DVHN}比\textbf{mAP}和\textbf{Rank@1}分别提高了13.94%和10.21%.对于\textbf{VeRi},我们分别获得了\textbf{Rank@1}和\textbf{mAP} 35.45%和32.72%的性能增益。
2021-12-09 cs.AI cs.CV
HashNet: Deep Learning to Hash by Continuation
Tsinghua University(清华大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
学习哈希算法由于其计算效率和检索质量的优势,被广泛应用于大规模多媒体检索中的近似最近邻搜索。哈希的深度学习通过端到端的表示学习和哈希编码来提高检索质量,最近受到越来越多的关注。受制于符号激活优化中的不适定梯度困难,现有的哈希方法的深度学习需要首先学习连续表示,然后在单独的二进制化步骤中生成二进制哈希码,这会严重损失检索质量。这项工作提出了HashNet,一种新的深度架构,用于深度学习通过具有收敛保证的连续方法进行散列,它从不平衡的相似性数据中准确地学习二进制散列码。其关键思想是通过连续方法来解决优化具有非光滑二进制激活的深度网络中的不适定梯度问题,在该方法中,我们从学习具有平滑激活函数的更简单的网络开始,并让它在训练过程中进化,直到它最终回到原始的难以优化的具有符号激活函数的深度网络。综合经验证据表明,HashNet可以生成精确的二进制哈希码,并在标准基准测试中获得最先进的多媒体检索性能。
2017-07-29 cs.CV cs.LG
Deep Cross-modal Hashing via Margin-dynamic-softmax Loss
Beijing Institute of Technology(北京理工大学);Jiangxi University of Finance and Economics(江西财经大学);Huazhong University of Science and Technology(华中科技大学)
由于跨模态哈希方法具有检索效率高、存储开销小等优点,因此受到了广泛的关注。对于有监督的跨模态哈希方法,如何使学习的哈希码充分保留数据点标签中包含的语义信息是进一步提高检索性能的关键。因此,几乎所有的监督式跨模态哈希方法通常都依赖于定义数据点之间的相似性和标签信息来完全或部分地指导哈希模型学习。然而,定义的数据点之间的相似度只能部分地捕捉数据点的标签信息,而忽略了丰富的语义信息,从而阻碍了检索性能的进一步提高。因此,在本文中,不同于以往的作品,我们提出了一种新的跨模态哈希方法,没有定义数据点之间的相似性,称为深度跨模态哈希通过\textit{Margin-dynamic-softmax Loss}(DCHML)。具体地说,DCHML首先训练一个代理哈希网络,将数据集的每个类别信息转换成一个语义区分哈希码,称为代理哈希码。每个代理哈希码都能很好地保留其对应类别的语义信息。接下来,没有定义数据点之间的相似性来监督特定于模态的哈希网络的训练过程,我们提出了一种新的\textit{margin-dynamic-softmax loss}直接利用代理哈希码作为监督信息。最后,通过最小化新的\textit{margin-dynamic-softmax loss},可以训练特定模态的哈希网络生成哈希码,该哈希码可以同时很好地保持跨模态相似性和丰富的语义信息。
2021-05-18 cs.CV cs.IR cs.MM
Unsupervised Hashing with Similarity Distribution Calibration
University of Surrey(萨里大学);Nanyang Technological University(南洋理工大学);Universiti Malaya(马来亚大学);GAC R&D Center(广汽研发中心)
针对无监督哈希中相似性崩溃问题,提出相似性分布校准(SDC)方法,通过将哈希码相似性分布对齐至beta分布以覆盖全范围,显著提升图像检索性能。
2023-08-31 cs.CV cs.IR
Mean Local Group Average Precision (mLGAP): A New Performance Metric for Hashing-based Retrieval
Arizona State University(亚利桑那州立大学)
近年来,由于需要紧凑的表示来支持在线图像等大规模数据库中的高效搜索/检索,视觉数据哈希技术的研究越来越受到关注。在许多可能性中,平均精度(mAP)已成为基于散列的检索的主要性能指标。mAP的一个明显缺点是它无法平衡检索准确性和哈希码的利用率:推动系统获得更高的mAP将不可避免地导致哈希码的利用率更低。由于散列空间中样本的冲突增加,散列码的不良利用阻碍了良好的检索。这意味着给出更高mAP值的模型不一定在检索中做得更好。在本文中,我们引入了一个新的度量命名为平均本地组平均精度(mLGAP)更好地评估基于哈希的检索的性能。新的度量标准提供了一种检索性能度量标准,该度量标准还协调了哈希码的使用,从而产生了比mAP等传统度量标准更有实际意义的性能度量标准。为此,我们首先从数学分析的不足之处的mAP基于哈希的检索。然后,我们提出mLGAP,并说明为什么它更适合基于哈希的检索。图像检索实验证明了该度量的有效性。
2018-11-24 cs.CV cs.LG
ForestHash: Semantic Hashing With Shallow Random Forests and Tiny Convolutional Networks
Duke University(杜克大学);Universidad de la República(共和国大学);Technion-Israel Institute of Technology(以色列理工学院)
哈希码是处理不断增长的数据量的有效数据表示。在本文中,我们介绍了一种随机森林语义哈希方案,该方案将微小的卷积神经网络(CNN)嵌入到浅随机森林中,在树之间具有接近最优的信息理论代码聚合。我们从一个简单的散列方案开始,其中森林中的随机树作为散列函数,为访问的树叶设置“1”,为其余树叶设置“0”。我们发现,传统的随机森林无法生成哈希,保持树之间的潜在相似性,使随机森林的方法来哈希具有挑战性。为了解决这个问题,我们建议首先将每个树分裂节点处的到达类随机分组为两组,获得显著简化的两类分类问题,可以使用轻量级CNN弱学习器来处理。这种随机类分组方案通过强制每个类与不同树中的不同类共享其代码来实现代码唯一性。对于CNN弱学习器进一步采用非常规的低秩损失,以通过最小化两个随机类组的类内变化和最大化类间距离来鼓励代码一致性。最后,我们介绍了一种信息理论的方法,用于将各个树的代码聚合成单个哈希代码,为每个类产生一个接近最优的唯一哈希。所提出的方法显着优于国家的最先进的散列方法的图像检索任务上的大规模公共数据集,而在其他国家的最先进的图像分类技术的水平,同时利用更紧凑,更有效的可扩展的表示。这项工作提出了一个有原则的和强大的程序,并行训练和部署一个轻量级CNN的集合,而不是简单地深入。
2018-07-28 cs.CV stat.ML
Deep Hash Distillation for Image Retrieval
Seoul National University(首尔国立大学);NAVER Vision(NAVER 视觉)
在基于散列的图像检索系统中,退化或变换的输入通常会产生与原始图像不同的编码,从而降低了检索的准确性。为了缓解这个问题,可以在训练期间应用数据增强。然而,即使图像的增强样本在真实特征空间中是相似的,量化也会将它们分散到汉明空间中很远的地方。这会导致表征差异,从而阻碍训练并降低性能。在这项工作中,我们提出了一种新的自蒸馏散列方案,以尽量减少差异,同时利用增强数据的潜力。通过将弱变换样本的哈希知识转移到强变换样本,我们使哈希码对各种变换不敏感。我们还引入了基于哈希代理的相似性学习和基于二进制交叉熵的量化损失,以提供高质量的哈希代码。最终,我们构建了一个深度哈希框架,不仅改善了现有的深度哈希方法,但也达到了最先进的检索结果。进行了大量的实验,并证实了我们的工作的有效性。
2022-07-13 cs.CV cs.IR
Model Inversion Attack Against Deep Hashing
Wuhan University of Technology(武汉理工大学)
本文提出DHMI框架,首次针对深度哈希进行模型逆向攻击,通过语义哈希中心和替代模型优化,实现高保真图像重建,揭示深度哈希的隐私风险。
2025-11-21 cs.AI cs.CV
Deep Hashing with Semantic Hash Centers for Image Retrieval
Beihang University(北航);Beijing University of Posts and Telecommunications(北京邮电大学)
针对现有深度哈希方法忽略类间语义关系的问题,提出三阶段框架SHC,通过生成保留语义结构的哈希中心来训练深度哈希网络,显著提升了大规模图像检索性能。
2025-07-11 cs.AI cs.CV
Deep Asymmetric Hashing with Dual Semantic Regression and Class Structure Quantization
Shenzhen University(深圳大学);Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳市人工智能与机器人研究院);Tianjin University(天津大学);Australian National University(澳大利亚国立大学)
近年来,深度哈希算法在图像检索中得到了广泛的应用。大多数现有的深度哈希方法采用一对一量化来减少信息损失。然而,这种类无关的量化不能为网络训练提供有区别的反馈。此外,这些方法仅利用单个标签来整合数据的监督信息进行哈希函数学习,由于完全忽略了数据的类间信息,可能导致网络泛化性能较差,哈希码质量相对较低。在本文中,我们提出了一个双重语义非对称哈希(DSAH)方法,它产生歧视性的哈希码下的三重约束。首先,DSAH利用类优先进行类结构量化,从而在量化过程中传递类信息。其次,设计了一种简单有效的标签机制来表征数据的类内紧致性和类间可分性,从而实现语义敏感的二进制代码学习。最后,设计了一个有意义的成对相似性保持损失,以最小化类相关的网络输出之间的距离的基础上的亲和图。有了这三个主要组成部分,就可以通过网络生成高质量的哈希码。在各种数据集上进行的大量实验证明了DSAH与最先进的深度哈希方法相比的优越性。
2021-12-23 cs.CV cs.IR
Random Forests Can Hash
Duke University(杜克大学);Tel Aviv University(特拉维夫大学)
哈希码是一种非常有效的数据表示,需要能够处理不断增长的数据量。我们引入了一个具有信息论代码聚合的随机森林语义哈希方案,首次展示了随机森林,一种与深度学习一起在分类方面显示出惊人结果的技术,也可以扩展到大规模检索。传统的随机森林无法强制从每个树为相同类数据生成的散列的一致性,即,以保持潜在的相似性,并且它也缺乏跨树的代码聚合的原则性方法。我们从一个简单的散列方案开始,其中森林中独立训练的随机树充当散列函数。我们提出了一个子空间模型作为分裂函数,并表明它加强了哈希一致性树的数据从同一类。我们还介绍了一种信息理论的方法,用于将各个树的代码聚合成单个哈希代码,为每个类产生接近最优的唯一哈希。在大规模公共数据集上的实验表明,该方法在检索任务中的性能明显优于最先进的哈希方法。
2015-04-17 cs.CV cs.IR cs.LG
Attention-based Saliency Hashing for Ophthalmic Image Retrieval
Harbin Institute of Technology(哈尔滨工业大学);Southern University of Science and Technology(南方科技大学);CVTE Research(视源股份研究院);The Cixi Institute of Biomedical Engineering, Chinese Academy of Sciences(中国科学院慈溪生物医学工程研究所)
深度哈希方法已被证明是有效的大规模医学图像搜索辅助临床医生基于参考的诊断。然而,当显著区域在眼科图像中起最大区分作用时,现有的深度哈希方法没有充分利用深度网络的学习能力来有针对性地捕获显著区域的特征。不同等级或类别的眼科图像可以共享类似的总体性能,但是具有可以通过挖掘显著区域来区分的细微差异。为了解决这个问题,我们提出了一种新的端到端网络,命名为基于注意力的显着性哈希(ASH),用于学习紧凑的哈希代码来表示眼科图像。ASH嵌入了一个空间注意力模块,更多地关注显着区域的表示,并突出了它们在区分眼科图像中的重要作用。利用空间注意力模型,将显著区域的信息映射到哈希码中进行相似度计算。在训练阶段,我们输入图像对来共享网络的权重,并设计成对损失来最大化散列码的可分辨性。在检索阶段,ASH通过端到端的方式输入图像得到哈希码,然后利用哈希码进行相似度计算,返回最相似的图像。在两种不同形式的眼科图像数据集上进行的大量实验表明,由于空间注意力模块的巨大贡献,与最先进的深度哈希方法相比,所提出的ASH可以进一步提高检索性能。
2020-12-07 cs.AI cs.CV
Fast Exact Search in Hamming Space with Multi-Index Hashing
有越来越多的兴趣表示图像数据和特征描述符使用紧凑的二进制码的快速近邻搜索。虽然二进制代码的动机是将其用作哈希表的直接索引(地址),但长于32位的代码并没有被如此使用,因为它被认为是无效的。我们介绍了一种严格的方法来建立多个哈希表的二进制代码子串,使精确的k-最近邻搜索在汉明空间。该方法存储效率高,实施起来简单。理论分析表明,该算法表现出次线性的运行时行为的均匀分布的代码。经验结果显示,对于高达10亿个64位、128位或256位代码的数据集,线性扫描基线的加速效果显著。
2014-04-25 cs.AI cs.CV cs.DS
Targeted Attack for Deep Hashing based Retrieval
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);PCL Research Center of Networks and Communications, Peng Cheng Laboratory(鹏城实验室网络通信研究中心);vivo AI Lab(vivo AI研究院);Department of Electrical and Computer Engineering, University of Waterloo(滑铁卢大学电气与计算机工程系)
基于深度哈希的检索方法在大规模图像和视频检索中被广泛采用。然而,对其安全性的研究却很少。在本文中,我们提出了一种新的方法,称为深度哈希有针对性的攻击(DHTA),研究这种检索的有针对性的攻击。具体来说,我们首先将有针对性的攻击制定为点对集优化,它最大限度地减少了敌对示例的哈希码与具有目标标签的一组对象的哈希码之间的平均距离。然后,我们设计了一种新颖的组件投票方案来获得锚码作为具有目标标签的对象的哈希码集合的代表,并从理论上推导了其最优性保证。为了平衡性能和可感知性,我们建议在扰动的$\ell^\infty$限制下最小化对抗性示例的哈希码和锚码之间的汉明距离。大量的实验证明,DHTA在攻击基于深度哈希的图像检索和视频检索方面都是有效的。
2020-07-23 cs.CR cs.CV cs.LG
Unsupervised Rank-Preserving Hashing for Large-Scale Image Retrieval
Columbia University(哥伦比亚大学);University of Southern California(南加利福尼亚大学)
我们提出了一种无监督哈希方法,其目的是产生二进制代码,保持由实值表示引起的排名。这种紧凑的哈希码能够完全消除实值特征存储,并允许大规模图像检索应用的计算复杂度和存储成本的显着降低。具体来说,我们学习了一个基于神经网络的模型,它将输入表示转换为二进制表示。我们以一种直观有效的方式形式化了网络的训练目标,将每个训练样本视为一个查询,并旨在使用产生的哈希码获得与原始特征相同的检索结果。这种训练公式直接优化散列模型,以实现其产生的散列代码的目标用途。我们进一步探讨了增加一个解码器训练,以获得原始特征的近似重建。在测试时,我们只使用我们的哈希码,通过基于图的高效搜索过程检索最有希望的数据库样本,并使用重建的特征进行重新排序,因此根本不需要访问原始特征。在多个公开的大规模数据集上进行的实验表明,我们的方法始终优于所有比较先进的无监督哈希方法,并且重建过程可以有效地提高搜索精度,同时具有最小的恒定额外成本。
2019-03-04 cs.CV cs.IR cs.MM
Optimizing affinity-based binary hashing using auxiliary coordinates
University of California, Merced(加州大学默塞德分校)
在监督二进制哈希中,人们想要学习一个将高维特征向量映射到二进制代码向量的函数,以应用于快速图像检索。这通常会导致一个困难的优化问题,非凸和非光滑,因为涉及离散变量。许多工作只是在训练过程中放松问题,解决连续优化问题,并在后验中截断代码。这给出了合理的结果,但相当次优。最近的工作试图直接在二进制代码上优化目标,并取得了更好的结果,但哈希函数仍然是后验学习的,这仍然是次优的。我们提出了一个通用的框架,学习散列函数使用基于仿射的损失函数,使用辅助坐标。这样就完成了循环,并对哈希函数和二进制代码进行了联合优化,使它们逐渐相互匹配。由此产生的算法可以被看作是一个修正的,迭代的版本,首先优化代码,然后学习哈希函数的过程。与此相比,我们的优化可以保证获得更好的哈希函数,同时不会慢得多,正如在各种监督数据集中的实验所证明的那样。此外,我们的框架有利于设计优化算法的任意类型的损失和哈希函数。
2016-02-05 cs.CV cs.LG math.OC
Learning Hash Codes via Hamming Distance Targets
Hive
我们提出了一个强大的新的损失函数和训练计划学习二进制哈希码与任何可微模型和相似性函数。我们的损失函数通过使用对数似然损失对两个输入落在汉明距离目标内的概率进行精确近似来改进先前的方法。我们的新训练方案通过更好地采样输入和评估每个minibatch中所有输入对之间的损失项来获得真实梯度的良好估计。为了充分利用产生的哈希,我们使用多索引。我们证明,这些技术提供了很大的改进相似性搜索任务。我们报告了迄今为止ImageNet和SIFT 1 M在竞争信息检索任务上的最佳结果,将MAP从73%提高到84%,并将查询成本降低了2-8倍。
2018-10-01 cs.CV cs.LG stat.ML
AutoSSVH: Exploring Automated Frame Sampling for Efficient Self-Supervised Video Hashing
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Research Center of Artificial Intelligence, Peng Cheng Laboratory(鹏城实验室人工智能研究中心)
提出AutoSSVH框架,通过对抗性帧采样、哈希组件投票和P2Set对比目标,解决自监督视频哈希中随机帧采样忽略帧间信息差异的问题,显著提升了检索效能与效率。
2025-04-04 cs.CV cs.IR cs.MM