A Scalable Multi-Hash( SMH) name lookup method is proposed,which is based on hierarchical name decomposition to aggregate names sharing common prefixes and multiple scalable hash tables to minimize collisions among pr...A Scalable Multi-Hash( SMH) name lookup method is proposed,which is based on hierarchical name decomposition to aggregate names sharing common prefixes and multiple scalable hash tables to minimize collisions among prefixes. We take the component instead of the entire name as a key in the hash functions. The SMH method achieves lookup speeds of 21. 45 and 20. 87 Mbps on prefix table with 2 million and 3. 6 million names,respectively. The proposed method is the fastest of the four methods considered and requires 61.63 and 89.17 Mb of memory on the prefix tables with 2 million and 3. 6 million names,respectively. The required memory is slightly larger than the best method. The scalability of SMH outperforms that of the other two methods.展开更多
在细粒度图像检索领域,现有研究成果主要集中于采用深层网络实现判别特征提取与精准定位,忽略了浅层特征信息的重要性,且无法消除背景中的复杂噪声干扰,限制了检索性能的提升。有鉴于此,提出了一种基于多层次特征提取的细粒度图像哈希...在细粒度图像检索领域,现有研究成果主要集中于采用深层网络实现判别特征提取与精准定位,忽略了浅层特征信息的重要性,且无法消除背景中的复杂噪声干扰,限制了检索性能的提升。有鉴于此,提出了一种基于多层次特征提取的细粒度图像哈希检索方法(Fine-grained Deep Hashing image retrieval method based on Multi-level Feature Extraction, FDH-MFE)。该方法主要关注不同层次间特征的关联性,并增强了局部特征的提取能力。首先,提出了一个特征提取模块,旨在从网络的不同阶段提取细粒度特征,并通过图神经网络揭示其潜在的长距离依赖关系,为后续阶段提供更全面和精细的特征表示。其次,设计了一种代理损失算法,使得哈希码分布更加均匀,从而提升细粒度特征的区分能力。最后,通过设计背景抑制算法并结合三元组损失,增强了模型拟合全局分布的能力,使得所提出的方法在细粒度图像检索任务中表现出色。实验结果表明:该方法在4个公开数据集上的平均检索精度相较于次先进方法分别提高了15.03%、10.94%、9.98%和9.78%。展开更多
互联网应用的普及使得多模态数据快速增长,跨模态检索技术已成为相关领域的关键技术之一。针对现有跨模态哈希算法存在的网络结构和量化方法等方面的问题,本文在新的深度跨模态哈希检索模型之上,提出了一种基于K-means的深度跨模态哈希...互联网应用的普及使得多模态数据快速增长,跨模态检索技术已成为相关领域的关键技术之一。针对现有跨模态哈希算法存在的网络结构和量化方法等方面的问题,本文在新的深度跨模态哈希检索模型之上,提出了一种基于K-means的深度跨模态哈希量化优化方法(K-means-based quantitative-optimization for deep crossmodal hashing,KQDH)。该方法通过K-means聚类算法对多模态数据特征向量分类,并通过集体量化方式来控制量化误差,使得哈希码更好地表示出多模态特征。实验结果表明,该方法能在多模态数据之间保持相似性并最大程度地捕获语义信息,从而提高跨模态检索的准确性和效率。展开更多
基金sponsored by the National Basic Research Program of China(973 Program)(Grant No.2011CB302605)the National High Technology Research and Development Program of China(863 Program)(Grants No.2011AA010705+5 种基金2012AA0125022012AA012506)the National Key Technology R&D Program of China(Grant No.2012BAH37B01)the National Science Foundation of China(Grant No.6120245761402149)the CNNIC(Grant No.K201211043)
文摘A Scalable Multi-Hash( SMH) name lookup method is proposed,which is based on hierarchical name decomposition to aggregate names sharing common prefixes and multiple scalable hash tables to minimize collisions among prefixes. We take the component instead of the entire name as a key in the hash functions. The SMH method achieves lookup speeds of 21. 45 and 20. 87 Mbps on prefix table with 2 million and 3. 6 million names,respectively. The proposed method is the fastest of the four methods considered and requires 61.63 and 89.17 Mb of memory on the prefix tables with 2 million and 3. 6 million names,respectively. The required memory is slightly larger than the best method. The scalability of SMH outperforms that of the other two methods.
文摘在细粒度图像检索领域,现有研究成果主要集中于采用深层网络实现判别特征提取与精准定位,忽略了浅层特征信息的重要性,且无法消除背景中的复杂噪声干扰,限制了检索性能的提升。有鉴于此,提出了一种基于多层次特征提取的细粒度图像哈希检索方法(Fine-grained Deep Hashing image retrieval method based on Multi-level Feature Extraction, FDH-MFE)。该方法主要关注不同层次间特征的关联性,并增强了局部特征的提取能力。首先,提出了一个特征提取模块,旨在从网络的不同阶段提取细粒度特征,并通过图神经网络揭示其潜在的长距离依赖关系,为后续阶段提供更全面和精细的特征表示。其次,设计了一种代理损失算法,使得哈希码分布更加均匀,从而提升细粒度特征的区分能力。最后,通过设计背景抑制算法并结合三元组损失,增强了模型拟合全局分布的能力,使得所提出的方法在细粒度图像检索任务中表现出色。实验结果表明:该方法在4个公开数据集上的平均检索精度相较于次先进方法分别提高了15.03%、10.94%、9.98%和9.78%。
文摘互联网应用的普及使得多模态数据快速增长,跨模态检索技术已成为相关领域的关键技术之一。针对现有跨模态哈希算法存在的网络结构和量化方法等方面的问题,本文在新的深度跨模态哈希检索模型之上,提出了一种基于K-means的深度跨模态哈希量化优化方法(K-means-based quantitative-optimization for deep crossmodal hashing,KQDH)。该方法通过K-means聚类算法对多模态数据特征向量分类,并通过集体量化方式来控制量化误差,使得哈希码更好地表示出多模态特征。实验结果表明,该方法能在多模态数据之间保持相似性并最大程度地捕获语义信息,从而提高跨模态检索的准确性和效率。
