Hashing semi-supervisado con confianza semántica para búsqueda visual a gran escala

La búsqueda de similitud es uno de los problemas fundamentales para aplicaciones multimedia a gran escala. Las técnicas de hashing, como una estrategia popular, han sido intensamente investigadas debido a la velocidad y eficiencia en memoria. Investigaciones recientes han mostrado que aprovechar la información supervisada puede conducir a un hashing de alta calidad. Sin embargo, la mayoría de los métodos supervisados existentes aprenden la función de hashing tratando a cada ejemplo de entrenamiento por igual mientras ignoran el diferente grado semántico relacionado con la etiqueta, es decir, la confianza semántica, de diferentes ejemplos. En este documento, proponemos un nuevo marco de hashing semi-supervisado aprovechando la confianza semántica. Específicamente, primero se asigna un factor de confianza a cada ejemplo mediante votación de vecinos y conteo de clics en los escenarios con datos de etiqueta y de clics, respectivamente. Luego, el factor se incorpora en el aprendizaje de relaciones pareadas y de tríos para el hashing. Además, las dos relaciones aprendidas se codifican sin problemas en métodos de hashing semi-supervisados con supervisión pareada y por listas, respectivamente, que se formulan como minimizar el error empírico sobre los datos etiquetados mientras se maximiza la varianza de los bits de hash o se minimiza la pérdida de cuantización sobre tanto los datos etiquetados como no etiquetados. Además, se presenta la variante kernelizada del hashing semi-supervisado. Hemos llevado a cabo experimentos en ambos benchmarks de imágenes CIFAR-10 (con etiqueta) y Clickture (con datos de clics) (hasta un millón de ejemplos de imágenes), demostrando que nuestros enfoques superan las técnicas de hashing de última generación.