Resumen

El hash se ha implementado ampliamente para realizar la búsqueda del vecino más cercano aproximado (ANN) en la recuperación de imágenes a gran escala para resolver el problema de eficiencia de almacenamiento y recuperación. Recientemente, se han propuesto métodos de hashing profundo para realizar el aprendizaje simultáneo de características y el aprendizaje de códigos hash con redes neuronales profundas. Aunque el hashing profundo ha demostrado un mejor rendimiento que los métodos de hashing tradicionales con características hechas a mano, el código hash compacto aprendido de una red de hashing profundo puede no proporcionar la representación completa de una imagen. En este artículo, proponemos un nuevo método de indexación de hashing, llamado Índice de Fusión basado en Hashing Profundo (DHFI), para generar un código hash más compacto que tenga una mayor capacidad de expresión y capacidad de distinción. En nuestro método, entrenamos dos subredes de hashing profundo con arquitecturas diferentes y fusionamos los códigos hash generados por las dos subredes juntas para unificar las imágenes. Experimentos en dos conjuntos

• Materias:Modelo Matemático Superálgebras Gráfico bipartito Números trapezoidales
• Subjects:Mathematical model Superalgebras Bipartite graph Trapezoidal numbers
• Palabras claves:Hashing; Vecino más cercano aproximado; Métodos de hashing profundo; Redes neuronales profundas; Red de hashing profundo; índice de fusión basado en hashing profundo
• Keywords:Hashing; Approximate nearest neighbor; Deep hashing methods; Deep neural networks; Deep hashing network; Deep hashing based fusing index