Binary code learning via optimal class representations

هشیفتن روش جذب برای بازیابی سریع به دلیل هزینه نگهداری و محاسبه کم آن است. با استفاده از هش کردن، هر بردار با ابعاد بزرگ به یک بردار کد دو بعدی کوچکی در نقشه داده می شود و بازیابی در فضای هامینگ انجام می شود. به تازگی چندین روش هش کردن پیشنهاد شده است که از میان آنها، روش های هش کردن نظارت شده با استفاده از اطلاعات نظارت، عملکرد خوبی را نشان داده اند. با این حال، اکثر روش های نظارت شده قبلی به سادگی بر اطلاعات برچسب داده های دوگانه متمرکز شده و اطلاعات ساختاری و ارتباط درون داده ها را نادیده گرفتند. برای مقابله با این مشکل، پیشنهاد می کنیم که کدهای باینری را به صراحت با توجه به وابستگی معنایی کلاس بررسی کنیم. به طور خاص، مجموعه ای از کد های باینری بر طبق شباهت های کلاس های ذاتی در داده ها محاسبه شده و به عنوان نمایه های کلاس مطلوب عمل می کند. ما نشان می دهیم که با نقشه برداری تصاویر بر روی نمایش مطلوب از کلاس های مربوطه، روش پیشنهادی ما چندین روش دیگر هشدار نظارت بر پیشرفته ترین حالت را در بازیابی تصویر در سه مجموعه داده های بزرگ ارائه می دهد.