文献

J-GLOBAL ID：202202245231236957   整理番号：22A0203203

細粒画像検索のためのサブ領域局所ハッシング【JST・京大機械翻訳】

Sub-Region Localized Hashing for Fine-Grained Image Retrieval

著者 (5件)： Xiang Xinguang (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Zhang Yajie (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Jin Lu (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Li Zechao (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Tang Jinhui (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China)
資料名： IEEE Transactions on Image Processing  (IEEE Transactions on Image Processing)
巻： 31  ページ： 314-326  発行年： 2022年 
JST資料番号： W0364A  ISSN： 1057-7149  CODEN： IIPRE4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ハッシュコードを生成する識別的局所情報を捉えることの困難さのために,細粒画像ハッシングは挑戦的である。一方では,既存の方法は,通常,微細粒ハッシングのための多様な局所情報を含むことができない高密度局所領域に焦点を合わせることによって,高密度注意機構によって局所的特徴を抽出する。一方,同じクラスのハッシュ符号は,細粒画像の大きなクラス内変動に悩まされる。上記の問題に取り組むために,本研究では,効率的な細粒画像検索のための多様な微妙な局所情報を含むクラス内コンパクトおよびクラス間分離ハッシュ符号を学習するための,新しいサブ領域位置決めHashing(sRLH)を提案した。具体的には,多様な局所領域を局所化するために,特徴マップにおける非重複サブ領域のピークを位置決めすることにより,識別局所特徴を学習するためにサブ領域局在化モジュールを開発した。局在化する高密度局所領域とは異なり,これらのピークは,分散局所領域への密接な注意を払うことにより,サブ領域局在化モジュールをガイドし,多様な局所識別情報を捉えることができる。クラス内変動を緩和するために,同じクラスのハッシュコードを1つの一般的バイナリセンターにアプローチするために実行した。一方,ハッシュ符号をクラス間分離可能にするために,二値中心上でグラム-シュミット直交化を実行した。4つの広く使われている微細粒画像検索データセットに関する広範な実験結果は,いくつかの最先端の方法に対するsRLHの優位性を実証した。sRLHのソースコードはhttps://github.com/ZhangYajie-NJUST/sRLH.gitで放出される。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 位置決め ,  *ハッシング ,  *画像検索
準シソーラス用語： 直交化 ,  ソースコード ,  識別子 ,  局所特徴 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 細粒 ,  画像検索 ,  サブ ,  ハッシング