主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2022年专刊出版计划 微信服务介绍 最新一期:2021年第2期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
李长升,闵齐星,成雨蓉,袁野,王国仁.捕获局部语义结构和辨别实例的无监督哈希.软件学报,2021,32(3):9-0
捕获局部语义结构和辨别实例的无监督哈希
Local Semantic Structure Captured and Instance Discriminated by Unsupervised Hashing
投稿时间:2020-07-19  修订日期:2020-11-06
DOI:10.13328/j.cnki.jos.006178
中文关键词:  无监督哈希  对比学习  实例辨别  局部语义结构
英文关键词:unsupervised hashing  contrast learning  instance discrimination  local semantic structure
基金项目:国家自然科学基金(61806044,U2001211,61932004,61732003);北京理工大学青年教师学术启动计划(3070012222010)
作者单位
李长升 北京理工大学 计算机学院, 北京 100081 
闵齐星 电子科技大学 计算机科学与工程学院 四川 成都 611731 
成雨蓉 北京理工大学 计算机学院, 北京 100081 
袁野 北京理工大学 计算机学院, 北京 100081 
王国仁 北京理工大学 计算机学院, 北京 100081 
摘要点击次数: 109
全文下载次数: 18
中文摘要:
      由于具有低存储成本、高效检索、低标注成本等方面的优势,无监督的哈希技术已经引起了学术界越来越多的关注,并且已经广泛地应用到大规模数据库检索问题中.先前的无监督方法大部分依靠数据集本身的语义结构作为指导信息,要求在哈希空间中,数据的语义信息能够得到保持,从而完成哈希编码的学习.因此如何精确地表示语义结构以及哈希编码成为了无监督哈希方法成功的关键.本文提出一种新的基于自监督学习的策略进行无监督哈希编码学习.具体来讲,本文首先利用对比学习对在目标数据集上对网络进行学习,从而能够构建准确的语义相似性结构.接着,提出一个新的目标损失函数,期望在哈希空间中,数据的局部语义相似性结构能够得到保持,同时哈希编码的辨识力能够得到提升.本文提出的网络框架是端到端可训练的.最后,提出的算法在两个大规模图像检索数据集上进行了测试,大量的实验验证了本文提出的算法的有效性.
英文摘要:
      Recently, unsupervised hashing has attracted much attention in the machine learning and information retrieval communities, due to its low storage and high search efficiency. Most of existing unsupervised hashing methods rely on the local semantic structure of the data as the guiding information, requiring to preserve such semantic structure in the Hamming space. Thus, how to precisely represent the local structure of the data and hashing code becomes the key point to success. In this paper, we propose a novel hashing method based on self-supervised learning. Specificially, we propose to utilize the contrast learning to acquire a compact and accurate feature representation for each sample, and then we can construct a semantic structure matrix for representing the similarity between samples. Meanwhile, we propose a new loss function to preserve the semantic information and improve the discriminative ability in the Hamming space, by the spirit of the instance discrimination method proposed recently. The proposed framework is end-to-end trainable. Extensive experiments on two large-scale image retrieval datasets show that the proposed method can significantly outperform current state-of-the-art methods.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利