文献

J-GLOBAL ID：202202276048031492   整理番号：22A0779954

構造的および固有類似性学習による深い教師なしハッシングの改善【JST・京大機械翻訳】

Improve Deep Unsupervised Hashing via Structural and Intrinsic Similarity Learning

著者 (4件)： Luo Xiao (Peking University, Beijing, China) ,  Ma Zeyu (Harbin Institute of Technology, Shenzhen, China) ,  Cheng Wei (Institute of Acoustics, Chinese Academy of Science, Beijing, China) ,  Deng Minghua (Peking University, Beijing, China)
資料名： IEEE Signal Processing Letters  (IEEE Signal Processing Letters)
巻： 29  ページ： 602-606  発行年： 2022年 
JST資料番号： W0576A  ISSN： 1070-9908  CODEN： ISPLEM  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： ハッシュは,そのストレージと計算効率のため,最近,画像検索においてますます注目を集めている。最近,いくつかの深い教師なしハッシング法が提案されてきたが,それらの有効性は,2つの欠点のため,実際には十分ではない。一方では,それらは,多重類似性信号間の信頼差を無視できるバイナリ類似性行列を構築する。他方,それらはハッシュ符号の望ましい特性(すなわち,独立性とロバスト性)を無視する。本論文では,エンドツーエンド方式でこれらの問題に取り組むために,構造的および固有のsiMility学習(HashSIM)によるHashingと呼ばれる効果的な教師なしハッシュ法を提案した。特に,HashSIMは,構造類似性学習を介してハッシュ符号学習をガイドする連続類似性行列を共同構築するために,高および通常秘密画像ペアの両方を利用する。さらに,対照的学習によって触発されて,著者らは,ハッシュビットの独立性とロバスト性特性を最大限に満たすことができる固有の類似性学習目的を課した。3つのポピュラーなベンチマークデータセットに関する広範な実験は,HashSIMが広範囲の最先端のベースラインを凌駕することを示した。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： *学習 ,  多重化 ,  エンドツーエンド方式 ,  問題 ,  類似性 ,  基準線 ,  有効性 ,  ベンチマーク ,  ロバスト性 ,  *ハッシング ,  画像検索
準シソーラス用語： 計算効率 ,  ストレージ装置 ,  バイナリー , 【Automatic Indexing@JST】

分類 (4件)： データ保護  (JD01020V) ,  情報検索一般  (AC06010H) ,  図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 固有 ,  類似性 ,  学習 ,  教師 ,  ハッシング