Tabelas Hash Complementares Multi-Visão para Busca do Vizinho Mais Próximo

Nos últimos anos, as técnicas de hashing têm mostrado sucesso na busca rápida do vizinho mais próximo. Na prática, muitas aplicações (por exemplo, busca visual, detecção de objetos, correspondência de imagens, etc.) aproveitaram os benefícios das tabelas hash complementares e da fusão de informações a partir de múltiplas visões. No entanto, a maioria das pesquisas anteriores concentrou-se principalmente na limpeza de códigos hash compactos, e poucos trabalhos estudam como construir múltiplas tabelas hash complementares, e muito menos integrar adaptativamente as informações provenientes de múltiplas visões. Neste artigo, apresentamos primeiro um novo método de tabela hash complementar multi-visão que aprende tabelas hash de complementaridade a partir de dados com múltiplas visões. Para uma única tabela multi-visão, usando fusão de características baseada em exemplares, aproximamos as semelhanças inerentes dos dados com uma matriz de baixa capacidade, e aprendemos funções hash discriminativas de forma eficiente. Para construir tabelas complementares e, ao mesmo tempo, manter um treinamento escalável e uma rápida extensão fora da amostra, um esquema de reponderação de exemplares é introduzido para atualizar a similaridade induzida de baixa capacidade no framework sequencial de construção de tabelas, o que de fato traz benefícios mútuos entre tabelas, dando maior importância aos exemplares compartilhados por vizinhos mal separados. Extensos experimentos em três grandes conjuntos de dados de imagens demonstram que o método proposto supera significativamente várias soluções ingênuas e métodos multi-tabela de última geração.