基于松弛掩码三元组优化的深度关系知识蒸馏哈希技术在大规模图像检索中的应用

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Deep Relational Knowledge Distillation Hashing via Relaxed Masking Triplet Optimization for Large-scale Image Retrieval

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

大规模图像检索越来越依赖于基于三元组的全局哈希方法，这类方法通常使用类别标签来构建训练三元组。然而，现有的基于三元组的哈希方法由于依赖稀疏且噪声较大的分类标签，存在两个主要问题：一是缺乏有效的三元组，因为稀疏的标注限制了有效三元组的形成；二是存在不良的三元组，噪声或模糊的标签会导致样本具有误导性，这些因素共同阻碍网络学习出结构良好的相似性空间，使得语义相似的图像相互分散，而语义不相似的图像则聚集在一起，最终降低检索精度。在本文中，我们提出了一种全新的统一全局哈希框架——深度关系知识蒸馏哈希（DRKDH），该框架通过利用教师-学生模型来学习语义一致的哈希码，从而将语义关系建模与视觉特征学习分开。具体而言，教师模型能够捕捉所有实例之间的全面语义结构关系，为学生模型提供信息丰富且抗噪声的监督信号，帮助其学习具有表达力和区分度的视觉嵌入，有效减轻低质量三元组标签带来的影响。此外，通过利用教师模型预测的相似性权重，学生模型中引入了一种宽松的掩码三元组损失函数，该函数能够根据每个三元组的信息量动态调整其对模型的贡献，抑制无效或误导性的三元组，同时突出有价值的三元组，以提高训练效率。在THINGS、ImageNet、MIRFLICKR-25K和NUS-WIDE等数据集上的实验表明，即使在稀疏且噪声较大的监督条件下，DRKDH的性能也始终优于现有的最先进全局哈希方法，进一步的评估还显示其在某些零样本和少样本场景下也具有竞争力。源代码地址：https://github.com/QinLab-WFU/DRKDH。

AI总结

AI生成的总结（实验性内容）

此总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在辅助读者发现相关内容、判断文章相关性，以及帮助来自相关研究领域的读者理解本文内容。它的作用是补充作者提供的摘要，后者仍是文章的主要总结部分。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对该总结的准确性、清晰度和实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。