Key points are not available for this paper at this time.
Für die großangelegte Bildretrieval-Aufgabe hat eine Hashing-Technik aufgrund ihrer effizienten Berechnung und Anwendung umfangreiche Aufmerksamkeit erregt. Bei der Verwendung der Hashing-Technik im Bildretrieval ist es entscheidend, diskrete Hash-Codes zu generieren und gleichzeitig die Nachbarschafts-Ranking-Informationen zu bewahren. In den meisten der bestehenden Methoden des Deep Hashings werden jedoch beide Schritte unabhängig behandelt, was zu einem Verlust wesentlicher kategoriebasierter Informationen im Diskretisierungsprozess und zu einem Rückgang der diskriminierenden Ranking-Beziehung führt. Um diskrete Hash-Codes mit bemerkenswerten diskriminierenden Informationen zu generieren, integrieren wir den Diskretisierungsprozess und den Ranking-Prozess in eine Architektur. Motiviert von dieser Idee wird eine neuartige Ranking-Optimierungs-Diskrete Hashing-Methode (RODH) vorgeschlagen, die direkt diskrete Hash-Codes (z. B. +1/-1) aus Rohbildern generiert, indem sie die effektiven kategoriebasierten Informationen der Diskretisierung und die Diskriminierung der Ranking-Informationen ausbalanciert. Die vorgeschlagene Methode integriert konvolutionale neuronale Netzwerke, das Lernen diskreter Hash-Funktionen und die Optimierung von Ranking-Funktionen in einen einheitlichen Rahmen. Gleichzeitig wird eine neuartige Verlustfunktion basierend auf Label-Informationen und dem mittleren Durchschnitts-Precision (MAP) vorgeschlagen, um die Label-Konsistenz zu bewahren und die Ranking-Informationen der Hash-Codes gleichzeitig zu optimieren. Experimentelle Ergebnisse auf vier Benchmark-Datensätzen zeigen, dass RODH eine überlegene Leistung im Vergleich zu den aktuellen Hashing-Methoden erzielen kann.
Lu et al. (Do,) haben diese Frage untersucht.