کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4948485 1439613 2016 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Margin-based two-stage supervised hashing for image retrieval
ترجمه فارسی عنوان
بازیابی تصویر از دو مرحلهای تحت نظارت بر حاشیه
کلمات کلیدی
یادگیری عمیق، بازیابی تصویر، هش کردن تصویر، شبکه عصبی، الگوریتم بهینه سازی،
ترجمه چکیده
شبیه سازی حفظ شده یک روش گسترده برای جستجوی نزدیکترین همسایه در بازیابی تصویر بزرگ در مقیاس بزرگ است. به تازگی، روش های هش کردن نظارت شده جذاب هستند، زیرا آنها با استفاده از اطلاعات تحت نظارت، کدهای هش فشرده را با بیت های کمتر یاد می گیرند. در این مقاله، ما یک روش جدید هشت مرحله تحت نظارت جدید را پیشنهاد می کنیم که فرایند یادگیری هش را به مرحله ای از یادگیری کدهای هش تقسیم می کند و پس از آن مرحله ای از تابع یادگیری هش است. در مرحله اول، ما یک هدف مبتنی بر حاشیه برای پیدا کردن کد های تقریبی هش را پیشنهاد می کنیم، به طوری که یک جفت کدهای هش که به یک جفت تصاویر مشابه (مشابه) به اندازه کافی کوچک (بزرگ) فاصله از همچینگ است. این هدف منجر به یک مشکل بهینه سازی چالش برانگیز می شود. ما یک الگوریتم نزولی هماهنگی برای حل مشکل این بهینه سازی به طور موثر طراحی می کنیم. در مرحله دوم، از توابع شبکه های عصبی کانولوشه ای استفاده می کنیم تا توابع هش را یاد بگیرند. ما ارزیابی های گسترده ای را در چندین مجموعه داده های معین با انواع مختلف تصاویر انجام می دهیم. نتایج نشان می دهد که روش هش کردن مبتنی بر حاشیه پیشنهادی، پیشرفت قابل توجهی در روش های هش کردن تحت نظارت یا عدم نظارت مدرن است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
بازیابی تصویر از دو مرحلهای تحت نظارت بر حاشیه
چکیده انگلیسی
Similarity-preserving hashing is a widely used method for nearest neighbor search in large-scale image retrieval. Recently, supervised hashing methods are appealing in that they learn compact hash codes with fewer bits by incorporating supervised information. In this paper, we propose a new two-stage supervised hashing methods which decomposes the hash learning process into a stage of learning approximate hash codes followed by a stage of learning hash functions. In the first stage, we propose a margin-based objective to find approximate hash codes such that a pair of hash codes associating to a pair of similar (dissimilar) images has sufficiently small (large) Hamming distance. This objective results in a challenging optimization problem. We develop a coordinate descent algorithm to efficiently solve this optimization problem. In the second stage, we use convolutional neural networks to learn hash functions. We conduct extensive evaluations on several benchmark datasets with different kinds of images. The results show that the proposed margin-based hashing method has substantial improvement upon the state-of-the-art supervised or unsupervised hashing methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 214, 19 November 2016, Pages 894-901
نویسندگان
, , , , ,