标签：Binary Scale Discriminative 标签 函数 学习 哈希 分类器 判别

Multimodal Discriminative Binary Embedding for Large-Scale Cross-Modal Retrieval

一.研究内容

目前，多模态hash的研究主要是为了学习兼容的二进制码，以保留标签给出的语义信息。作者认为这些方法忽略了哈希学习过程中哈希码的判别性，这导致来自不同类别的哈希代不易区分，从而降低了最近邻检索的准确性与鲁棒性，因此提出了MBDE

二.研究贡献

1. 在分类方面制定哈希函数学习，学习更具判别性的哈希码。
2. 学习异构数据内的共享结构，并保留用于哈希码的学习结构。
3. 语义标签代替成对相似度，以更好地保留散列代码的判别性，并降低存储消耗和计算成本。

三、研究框架

首先得到图像的特征矩阵，将图像的特征矩阵转化为哈希码输入分类器进行分类，与标签做分类损失，目的是学习到具有类间判别性的哈希码。将标签转化为哈希码与图像特征转化得到的哈希码做均方误差，目的是为了使类内样本得到的哈希码具有一致性。

四、损失函数

学习具有类间判别性的哈希码
image

text

学习类内具有一致性的哈希码

total loss

五、作者的实验结果

六、作者的下一步计划

在本文中，作者选择模型的线性分类器，线性哈希函数和二范数损失。在未来的工作中，我们将纳入其他类型的分类器，哈希函数和损失函数进入框架，以进一步提高性能。

标签：Binary,Scale,Discriminative,标签,函数,学习,哈希,分类器,判别
来源： https://blog.csdn.net/weixin_49710179/article/details/117966438

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。