Búsqueda de imágenes adaptativa a la consulta con códigos hash

La búsqueda de imágenes escalable basada en la similaridad visual ha sido un tema activo de investigación en los últimos años. Las soluciones de última generación a menudo utilizan métodos de hashing para incrustar características de imágenes de alta dimensión en el espacio de Hamming, donde la búsqueda se puede realizar en tiempo real basado en la distancia Hamming de códigos hash compactos. A diferencia de las métricas tradicionales (por ejemplo, Euclidiana) que ofrecen distancias continuas, las distancias Hamming son valores enteros discretos. Como consecuencia, a menudo hay un gran número de imágenes que comparten distancias Hamming iguales a una consulta, lo que perjudica en gran medida los resultados de búsqueda donde el ranking detallado es muy importante. Este trabajo introduce un enfoque que permite el ranking adaptativo a la consulta de las imágenes devueltas con distancias Hamming iguales a las consultas. Esto se logra aprendiendo primero de forma offline los pesos bit a bit de los códigos hash para un conjunto diverso de clases de conceptos semánticos predefinidos. Formulamos el proceso de aprendizaje de pesos como un problema de programación cuadrática que minimiza la distancia intra-clase mientras se preserva la relación inter-clase capturada por las características originales de la imagen. Luego, los pesos adaptativos a la consulta se calculan en línea al evaluar la proximidad entre una consulta y las clases de concepto semántico. Con los pesos bit a bit adaptativos a la consulta, las imágenes devueltas pueden ser fácilmente ordenadas por distancia Hamming ponderada a un nivel de código hash más detallado en lugar del nivel de distancia Hamming original. Los experimentos en un conjunto de datos de imágenes de Flickr muestran claras mejoras a partir de nuestro enfoque propuesto.