Apprentissage des codes binaires pour la recherche de produit intérieur maximum

Les techniques de codage ou de hachage binaire sont reconnues pour accomplir une recherche efficace de voisinage, et ont donc attiré un large intérêt dans les études récentes sur la vision et l'apprentissage. Cependant, de telles études ont rarement été consacrées à la recherche de produit intérieur maximum (MIPS), qui joue un rôle critique dans diverses applications de vision. Dans cet article, nous étudions l'apprentissage de codes binaires pour traiter exclusivement le problème MIPS. Inspirés par les dernières avancées dans les schémas de hachage asymétrique, nous proposons un cadre d'apprentissage de code binaire asymétrique basé sur l'ajustement de produit intérieur. Plus précisément, deux ensembles de fonctions de codage sont appris de sorte que les produits intérieurs entre leurs codes binaires générés puissent révéler les produits intérieurs entre les vecteurs de données originaux. Nous proposons également un objectif alternatif plus simple qui maximise les corrélations entre les produits intérieurs des codes binaires produits et des vecteurs de données brutes. Dans les deux objectifs, les codes binaires et les fonctions de codage sont appris simultanément sans relaxations continues, ce qui est la clé pour atteindre des codes binaires de haute qualité. Nous évaluons la méthode proposée, baptisée Codage Binaire à Produit Intérieur Asymétrique (AIBC), en nous basant sur les deux objectifs sur plusieurs ensembles de données d'images à grande échelle. Les deux sont supérieurs aux méthodes de codage binaire et de hachage à la pointe de la technologie pour effectuer des tâches MIPS.