主页
2017-10-30：研究室的1篇哈希论文SSDH被多媒体领域的顶级国际期刊TCSVT接收
本研究室的1篇论文被TCSVT接收为Regular论文：Jian Zhang and Yuxin Peng, "SSDH: Semi-supervised Deep Hashing for Large Scale Image Retrieval", IEEE Transactions on Circuits and Systems for Video Technology (TCSVT), 2017。祝贺张健同学。
本论文针对现有深度哈希方法依赖于大量标注数据，难以泛化应用于图像数量和类别数量剧增的大数据环境的问题，提出了半监督深度哈希方法，能够同时结合少量标注数据和大量的未标注数据，在半监督条件下进行深度哈希学习，提升检索准确率。一方面，本论文提出了一种结合在线图构建的深度哈希网络结构，利用训练过程中不断优化的深度特征在线构造邻接图，提高邻接图准确性的同时，也避免了传统离线构图方法因为时间复杂度过高难以在大规模数据下应用的问题。另一方面，本论文提出了一个半监督损失函数，能够同时建模数据间的语义相似性和局部几何结构，通过最小化标注数据的经验误差和未标注数据的嵌入误差，来提高哈希函数的准确率。该方法在5个广泛使用的图像检索数据集上验证了有效性，取得了比现有深度哈希方法更好的泛化性和更高的准确率。
论文下载: SSDH: Semi-supervised Deep Hashing for Large Scale Image Retrieval【pdf】【arXiv】
本论文针对现有深度哈希方法依赖于大量标注数据，难以泛化应用于图像数量和类别数量剧增的大数据环境的问题，提出了半监督深度哈希方法，能够同时结合少量标注数据和大量的未标注数据，在半监督条件下进行深度哈希学习，提升检索准确率。一方面，本论文提出了一种结合在线图构建的深度哈希网络结构，利用训练过程中不断优化的深度特征在线构造邻接图，提高邻接图准确性的同时，也避免了传统离线构图方法因为时间复杂度过高难以在大规模数据下应用的问题。另一方面，本论文提出了一个半监督损失函数，能够同时建模数据间的语义相似性和局部几何结构，通过最小化标注数据的经验误差和未标注数据的嵌入误差，来提高哈希函数的准确率。该方法在5个广泛使用的图像检索数据集上验证了有效性，取得了比现有深度哈希方法更好的泛化性和更高的准确率。