反復量子化：バイナリコード学習へのプロクラステス的アプローチ

本論文では、大規模な画像コレクションにおいて効率的な検索のための類似性を保持するバイナリコードの学習問題に対処します。データをゼロ中心のバイナリハイパーキューブの頂点にマッピングする際の量子化誤差を最小化するために、ゼロ中心データの回転を見つけるためのシンプルで効率的な交互最小化スキームを提案します。この方法は、反復量子化（ITQ）と呼ばれ、多クラススペクトルクラスタリングや直交プロクラステス問題に関連し、PCAのような教師なしデータ埋め込みや、標準相関分析（CCA）などの教師あり埋め込みでも使用できます。我々の実験は、得られたバイナリコーディングスキームがいくつかの最先端の手法を決定的に上回ることを示しています。