Large-scale image retrieval with supervised sparse hashing

در سال های اخیر، هش کردن مبتنی بر یادگیری به عنوان یک روش جذاب در بازیابی تصویر بزرگ به دلیل هزینه پایین ذخیره سازی و محاسبه آن، تبدیل شده است. روش های هش کردن هر یک از بردارهای با ابعاد بزرگ را بر روی یک فضای هامفین کم بعدی توسط اپراتورهای طرح ریزی می کند. با این حال، هنگام پردازش اطلاعات با ابعاد بزرگ، بسیاری از روش های موجود از جمله هش کردن، اکثریت زمان را در اپراتورهای طرح ریزی هزینه می کنند. در این مقاله، با استفاده از یک تنظیم کننده اسپاریسی، این مشکل را حل می کنیم. از یک طرف، به دلیل ویژگی مبهم طرح ماتریس، روش ما به طور موثر هزینه ذخیره سازی و محاسبه را کاهش می دهد. از سوی دیگر، ما تعداد موثر پارامترهای دخیل در ماتریس پروژۀ آماری را با توجه به تنظیم کننده زاویه دار کاهش می دهیم، که به جلوگیری از بروز مشکل اضافه می شود. بدون آرام کردن محدودیت های باینری، یک طرح تکراری به طور مستقیم بهینه سازی تابع هدف به طور مستقیم داده شد، که کمک می کند تا برای به دست آوردن کدهای دودویی موثر و کارآمد. ما روش ما را در سه پایگاه داده ارزیابی می کنیم و آن را با برخی از روش های هش کردن از لحاظ پیشرفته مقایسه می کنیم. نتایج تجربی نشان می دهد که روش ما از رویکرد مقایسه بهتر است.