視点間類似性検索のためのカーネルベースの教師ありハッシング

スペクトルベースのハッシング（SpH）は、視点間ハッシュ関数学習（CVHFL）に最も使用される方法です。しかし、既存の多くのSpH手法には以下の三つの問題があります。第一に、内部および外部の類似性を同時に保持することは、モデルの複雑さを大幅に増加させます。第二に、多くのSpH手法で適用される線形モデルは、視点間シナリオにおける多モーダルデータを扱うのが難しいです。第三に、無関係な複数のビットを学習するために、SpHは直交制約を課すため、ビット数が増加するとマッピング品質が大幅に低下します。これらの課題に対処するために、本論文では視点間ハッシュ関数学習のための新しいSpH手法を提案します。これを視点間類似性検索のためのカーネルベースの教師ありハッシング（KSH-CV）と呼びます。私たちは、内部隣接行列が外部隣接行列が与えられた場合に冗長であることを証明します。次に、外部類似性を保持するだけで済むように、教師ありかつk-カーネル化された方法で目的関数を定義します。さらに、視点間類似性検索のための指数マッピング損失関数を最小化する新しいAdaboostアルゴリズムを導出し、直交制約を回避しながら目的関数を効率的に解決します。広範な実験により、KSH-CVが三つの視点間データセットにおいていくつかの最先端の手法を大幅に上回ることが確認されました。