کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6864574 1439545 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Learning binary codes with local and inner data structure
ترجمه فارسی عنوان
کدهای دودویی را با ساختار داده محلی و داخلی یاد بگیرید
کلمات کلیدی
هشیاری تحت نظارت، نمودار لنگر نزدیکترین همسایه جستجو،
ترجمه چکیده
در سال های اخیر شاهد ظرفیت امیدوار کننده تکنیک های هش کردن در مقابله با نزدیکترین همسایگی به دلیل راندمان بالا در ذخیره سازی و بازیابی است. رویکردهای وابسته به داده (به عنوان مثال، هش کردن حساس به محل) به طور معمول توابع هش را با استفاده از پیش بینی های تصادفی، که ویژگی های داده های درونیتان را نادیده می گیرند، ساخت. برای جبران این نقص، روشهای یادگیری مبتنی بر یادگیری برای کشف ساختار داده های محلی و / یا نظارت بر اطلاعات برای افزایش عملکرد هش کردن پیشنهاد می شود. با این حال، با توجه به ساخت ماتریس لاپلاس، روش های موجود معمولا از هزینه های آموزش غیرقابل دسترس استفاده می کنند. در این مقاله، یک طرح ریزی نظارت بر رمان جدید ارائه می دهیم که دارای (1) محاسبه محدوده ذاتی نمونه است؛ (2) صرفه جویی در هزینه های آموزشی با داده های آموزش عظیم با استفاده از نمودار لنگر تقریبی؛ و همچنین (3) حفظ شباهت معنایی با استفاده از دانش تحت نظارت جفت ارز. علاوه بر این، محدودیت های گسسته ای را به طور قابل توجهی از خطاهای انباشته شده در یادگیری کدهای هش معتبر و توابع هش استفاده می کنیم. ما یک الگوریتم جایگزین برای حل مشکل بهینه سازی به طور موثر طراحی کرده ایم. آزمایش های گسترده در مجموعه داده های تصویری نشان می دهد که روش پیشنهاد ما برتر از حالت هنر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
کدهای دودویی را با ساختار داده محلی و داخلی یاد بگیرید
چکیده انگلیسی
Recent years have witnessed the promising capacity of hashing techniques in tackling nearest neighbor search because of the high efficiency in storage and retrieval. Data-independent approaches (e.g., Locality Sensitive Hashing) normally construct hash functions using random projections, which neglect intrinsic data properties. To compensate this drawback, learning-based approaches propose to explore local data structure and/or supervised information for boosting hashing performance. However, due to the construction of Laplacian matrix, existing methods usually suffer from the unaffordable training cost. In this paper, we propose a novel supervised hashing scheme, which has the merits of (1) exploring the inherent neighborhoods of samples; (2) significantly saving training cost confronted with massive training data by employing approximate anchor graph; as well as (3) preserving semantic similarity by leveraging pair-wise supervised knowledge. Besides, we integrate discrete constraint to significantly eliminate accumulated errors in learning reliable hash codes and hash functions. We devise an alternative algorithm to efficiently solve the optimization problem. Extensive experiments on various image datasets demonstrate that our proposed method is superior to the state-of-the-arts.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 282, 22 March 2018, Pages 32-41
نویسندگان
, , , , , , ,