亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Unsupervised deep hashing with node representation for image retrieval

散列函数 计算机科学 自编码 图像检索 人工智能 模式识别(心理学) 图形 深度学习 特征哈希 节点(物理) 特征学习 卷积神经网络 代表(政治) 理论计算机科学 图像(数学) 哈希表 双重哈希 政治 工程类 结构工程 计算机安全 法学 政治学
作者
Yangtao Wang,Jingkuan Song,Ke Zhou,Yu Liu
出处
期刊:Pattern Recognition [Elsevier]
卷期号:112: 107785-107785 被引量:26
标识
DOI:10.1016/j.patcog.2020.107785
摘要

Supervised graph convolution network (GCN) based hashing algorithms have achieved good results by recognizing images according to the relationships between objects, but they are hard to be applied to label-free scenarios. Besides, most existing unsupervised deep hashing algorithms neglect the relationships between different samples and thus fail to achieve high precision. To address this problem, we propose NRDH, an unsupervised Deep Hashing method with Node Representation for image retrieval, which adopts unsupervised GCN to integrate the relationships between samples into image visual features. NRDH consists of node representation learning stage and hash function learning stage. In the first stage, we treat each image as a node of a graph and design GCN-based AutoEncoder, which can integrate the relationships between samples into node representation. In the second stage, we use above node representations to guide the network and help learn the hash function to fast achieve an end-to-end hash model to generate semantic hash codes. Extensive experiments on CIFAR-10, MS-COCO and FLICKR25K show NRDH can achieve higher performance and outperform the state-of-the-art unsupervised deep hashing methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
6秒前
green发布了新的文献求助10
7秒前
huangyao完成签到 ,获得积分10
12秒前
Hello应助green采纳,获得50
19秒前
野性的盼柳完成签到 ,获得积分20
21秒前
乐乐乐乐乐乐应助huangyao采纳,获得10
23秒前
爆米花应助科研通管家采纳,获得10
42秒前
Hello应助寒冷的亦凝采纳,获得10
1分钟前
1分钟前
爱笑的栀虞完成签到 ,获得积分10
2分钟前
边曦完成签到 ,获得积分10
3分钟前
勇敢虫子不怕困难完成签到,获得积分10
3分钟前
3分钟前
3分钟前
凶狠的秀发完成签到,获得积分20
3分钟前
张元东完成签到 ,获得积分10
4分钟前
4分钟前
4分钟前
4分钟前
bkagyin应助哈哈公子25采纳,获得10
4分钟前
哈哈公子25完成签到,获得积分10
4分钟前
胖大海完成签到 ,获得积分10
5分钟前
NexusExplorer应助Raunio采纳,获得10
5分钟前
ding应助Sarah采纳,获得10
5分钟前
老王家的二姑娘完成签到 ,获得积分10
5分钟前
Frank应助coco采纳,获得30
6分钟前
6分钟前
green发布了新的文献求助50
6分钟前
6分钟前
寒冷的亦凝完成签到,获得积分10
6分钟前
6分钟前
中西西完成签到 ,获得积分10
6分钟前
6分钟前
6分钟前
Sarah发布了新的文献求助10
6分钟前
小柠檬发布了新的文献求助10
6分钟前
Sarah完成签到,获得积分10
6分钟前
烟花应助小柠檬采纳,获得10
7分钟前
7分钟前
Raunio发布了新的文献求助10
7分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3154982
求助须知:如何正确求助?哪些是违规求助? 2805697
关于积分的说明 7865741
捐赠科研通 2463927
什么是DOI,文献DOI怎么找? 1311677
科研通“疑难数据库(出版商)”最低求助积分说明 629677
版权声明 601853