Deep Supervised Discrete Hashing
著者
Abstract
With the rapid growth of image and video data on the web, hashing has been
extensively studied for image or video search in recent years. Benefiting from
recent advances in deep learning, deep hashing methods have achieved promising results for image retrieval. However, there are some limitations of previous deep hashing methods (e.g., the semantic information is not fully exploited). In this paper, we develop a deep supervised discrete hashing algorithm based on the assumption that the learned binary codes should be ideal for classification. Both the pairwise label information and the classification information are used to learn the hash codes within one stream framework. We constrain the outputs of the last layer to be binary codes directly, which is rarely investigated in deep hashing algorithm. Because of the discrete nature of hash codes, an alternating minimization method is used to optimize the objective function. Experimental results have shown that our method outperforms current state-of-the-art methods on benchmark datasets.
メモ
近年deep learningベースのハッシングが提案されてきている
伝統的な手法よりもパフォーマンスが高い
Convolutional Neural Network Hashing (CNNH)
初期段階で提案された手法
二つの段階で学習していく
Network Hashing (NINH)
triplet ranking lossを使う
Deep Semantic Ranking Hashing (DSRH)
意味的な類似を保存してハッシュ関数学習
Deep learningベースの課題
マルチタスクフレームワークの中で学習プロセスを二つに分割しようとしている
ハッシュ部分はハッシュ関数を学習し、クラシフィケーション部分は意味的な情報を利用する
ふたつの流れはパフォーマンスを改善し得るのにクラシフィケーションはハッシュ関数に直接影響のない画像の表現を学習している
やったこと
CNNで画像の表現を得て、ハッシュ関数を同時に学習する
CNNの最後の層でラベル情報と分類の情報をペアワイズしたものをベースにバイナリコードを出力する
貢献性
最終層でバイナリコードを直接出力する制約を与えた
量子化誤差を減らすために最適化プロセスでハッシュコードの離散性を保った
実験を拡張し提案手法がベンチマークのデータセットに対して良いパフォーマンスを出すことを示した