کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6939229 1449969 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Supervised discrete discriminant hashing for image retrieval
ترجمه فارسی عنوان
برای بازیابی تصویر، هش کردن دیجیتالی گسسته تحت نظارت قرار گرفته است
کلمات کلیدی
تحت نظارت هش آموزش، یادگیری هش گسسته کدهای هش گسسته، اطلاعات تبعیض آمیز، متریک شباهت قوی،
ترجمه چکیده
اکثر روشهای موجود هش کردن معمولا فقط بر روی ساختن تابع هش متمرکز هستند، نه به طور مستقل از یادگیری کدهای هش گسسته. بنابراین عملکرد هش آمیخته شده در این روش می تواند تابع هش را ایجاد کند که نمی تواند کدهای هش کده ای ایده آل را به دست آورد. برای ایجاد تابع هش آمیخته ای برای دستیابی به کدهای هش گسسته ای تقریبا ایده آل، در این مقاله یک روش یادگیری هش تذکر گسسته دیجیتالی تحت نظارت جدید را پیشنهاد می کنیم که می تواند همزمان کدهای هش کردن گسسته و تابع هش کردن را یاد بگیرد. برای ایجاد کدهای هش گسسته گسسته برای طبقه بندی مطلوب، چارچوب هشیه آموخته شده برای یادگیری متریک شباهت قوی به منظور به حداکثر رساندن شباهت از کدهای هش گسسته جداگانه طبقه و به حداقل رساندن شباهت کدهای هش گسسته کلاس های مختلف به طور همزمان. بنابراین اطلاعات تبعیض آمیز اطلاعات آموزشی می تواند در چارچوب یادگیری گنجانده شود. در همین حال، توابع هش ساخته می شوند تا به کدهای هش دوتایی بطور مستقیم آموخته شوند. نتایج تجربی به وضوح نشان می دهد که روش پیشنهادی عملکرد پیشرو در مقایسه با روش های طبقه بندی نیمه نظارت پیشرفته ای را به دست می آورد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
برای بازیابی تصویر، هش کردن دیجیتالی گسسته تحت نظارت قرار گرفته است
چکیده انگلیسی
Most existing hashing methods usually focus on constructing hash function only, rather than learning discrete hash codes directly. Therefore the learned hash function in this way may result in the hash function which can-not achieve ideal discrete hash codes. To make the learned hash function for achieving ideal approximated discrete hash codes, in this paper, we proposed a novel supervised discrete discriminant hashing learning method, which can learn discrete hashing codes and hashing function simultaneously. To make the learned discrete hash codes to be optimal for classification, the learned hashing framework aims to learn a robust similarity metric so as to maximize the similarity of the same class discrete hash codes and minimize the similarity of the different class discrete hash codes simultaneously. The discriminant information of the training data can thus be incorporated into the learning framework. Meanwhile, the hash functions are constructed to fit the directly learned binary hash codes. Experimental results clearly demonstrate that the proposed method achieves leading performance compared with the state-of-the-art semi-supervised classification methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 78, June 2018, Pages 79-90
نویسندگان
, , , , ,