基于稀疏自编码的无监督图像哈希算法

doi:10.19678/j.issn.1000-3428.0050653

计算机工程 ›› 2019, Vol. 45 ›› Issue (5): 222-225,236. doi: 10.19678/j.issn.1000-3428.0050653

基于稀疏自编码的无监督图像哈希算法

代亚兰,何朗,黄樟灿

武汉理工大学理学院,武汉 430070

收稿日期:2018-03-07 出版日期:2019-05-15 发布日期:2019-05-15
作者简介:代亚兰(1992—),女,硕士研究生,主研方向为图像检索、模式识别;何朗,副教授、博士;黄樟灿,教授、博士。
基金资助:
国家自然科学基金(61672391)。

Unsupervised image hashing algorithm based on sparse-autoencoder

DAI Yalan,HE Lang,HUANG Zhangcan

School of Science,Wuhan University of Technology,Wuhan 430070,China

Received:2018-03-07 Online:2019-05-15 Published:2019-05-15

摘要/Abstract

摘要：

哈希方法因快速及低内存的特点广泛应用于大规模图像检索中,但在哈希函数构造过程中对数据稀疏性缺乏研究。为此,提出一种无监督稀疏自编码的图像哈希算法。在哈希函数的学习过程中加入稀疏构造过程和自动编码器,利用稀疏自编码的KL差异对哈希码进行稀疏约束,以增强局部保持映射过程中的判别性。在CIFAR-10数据集和YouTube Faces数据集上进行实验,结果表明,该算法平均准确率优于DH算法。

关键词: 哈希算法, 图像检索, 稀疏自编码, 无监督, KL差异

Abstract:

The hash method is widely used in large-scale image retrieval due to its fast and low memory characteristics,but it lacks research on data sparsity in the construction of hash functions.To this end,an unsupervised sparse self-encoding image hash algorithm is proposed.In the learning process of the hash function,a sparse construction process and an automatic encoder are added,and the hash code is sparsely constrained by the Kullback-Leibler(KL) divergence of the sparse-auto encoder to enhance the discriminability in the local preservation mapping process.Experiments on the CIFAR-10 datasets and YouTube Faces datasets show that the average accuracy of the algorithm is better than the DH algorithm.

Key words: hash algorithm, image retrieval, sparse-autoencoder, unsupervised, Kullback-Leibler(KL) divergence

中图分类号:

TP391

代亚兰,何朗,黄樟灿. 基于稀疏自编码的无监督图像哈希算法[J]. 计算机工程, 2019, 45(5): 222-225,236.

DAI Yalan,HE Lang,HUANG Zhangcan. Unsupervised image hashing algorithm based on sparse-autoencoder[J]. Computer Engineering, 2019, 45(5): 222-225,236.

http://www.ecice06.com/CN/Y2019/V45/I5/222

参考文献

［1］ZHENG Zhaohui,WU Xiaoyun,SRIHARI R,et al.Feature selection for text categorization on imbalanced data［J］.ACM SIGKDD Explorations Newsletter,2004,6(1):80-89.
［2］杨定中,陈心浩.基于投影残差量化哈希的近似最近邻搜索［J］.计算机工程,2015,41(12):161-165,170.
［3］柯圣财,赵永威,李弼程,等.基于卷积神经网络和监督核哈希的图像检索方法［J］.电子学报,2017,45(1):157-163.
［4］LIU Wei,MU Cun,KUMAR S,et al.Discrete graph hashing［C］//Proceedings of the 27th International Conference on Neural Information Processing Systems.Cambridge,USA:MIT Press,2014:3419-3427.
［5］赵文星.变系数部分线性模型的统计推断［D］.南京:南京信息工程大学,2015.
［6］XU Jun,XIANG Lei,LIU Qinshan,et al.Stacked sparse autoencoder for nuclei detection on breast cancer histopathology images［J］.IEEE Transactions on Medical Imaging,2015,35(1):119-130.
［7］LI Hongmin,LIU Hanchao,JI Xiangyang,et al.CIFAR10-DVS:an event-stream dataset for object classification ［EB/OL］.［2018-02-05］.https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5447775/.
［8］WOLF L,HASSNER T,MAOZ I.Face recognition in unconstrained videos with matched background similarity［C］//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Computer Society,2011:529-534.
［9］JIANG Qingyuan,LI Wujun.Scalable graph hashing with feature transformation［C］//Proceedings of the 24th International Conference on Artificial Intelligence.［S.l.］:AAAI Press,2015:2248-2254.
［10］LIONG V E,LU Jiwen,WANG Gang,et al.Deep hashing for compact binary codes learning［C］//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Press,2015:2475-2483.
［11］MCJUNKIN M C.Precision and recall in title keyword searches［J］.Information Technology and Libraries,1995,14(3):161-171.
［12］ABADI M,BARHAM P,CHEN Jianmin,et al.TensorFlow:a system for large-scale machine learning［C］//Proceedings of the 12th USENIX conference on Operating Systems Design and Implementation.Berkeley,USA:USENIX Association,2016:265-283.
［13］钟川,陈军.基于精确欧氏局部敏感哈希的改进协同过滤推荐算法［J］.计算机工程,2017,34(2):74-78.
［14］WEISS Y,TORRALBA A,FERGUS R.Spectral Hashing［C］//Proceedings of the 21st International Conference on Neural Information Processing Systems.［S.l.］:Curran Associates Inc.,2008:1753-1760.
［15］HE Kaiming,WEN Fang,SUN Jian.K-means hashing:an affinity-preserving quantization method for learning binary compact codes［C］//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Computer Society,2013:2938-2945.
［16］GONG Yunchao,LAZEBNIK S,GORDO A,et al.Iterative quantization:a procrustean approach to learning binary codes for large-scale image retrieval［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(12):2916-2929.

[1]	王书朋, 何引弟. 融合特征注意力机制的非均匀光照图像增强算法[J]. 计算机工程, 2023, 49(8): 232-239.
[2]	梁天佑, 孟敏, 武继刚. 基于特征融合的无监督跨模态哈希[J]. 计算机工程, 2023, 49(2): 90-97.
[3]	刘强, 张颖, 周卫祥, 蒋先涛, 周薇娜, 周谋国. 自适应类增量学习的物联网入侵检测系统[J]. 计算机工程, 2023, 49(2): 169-174.
[4]	何悦, 陈广胜, 景维鹏, 徐泽堃. 基于深度多相似性哈希方法的遥感图像检索[J]. 计算机工程, 2023, 49(2): 206-212.
[5]	王帅坤, 周志勇, 胡冀苏, 钱旭升, 耿辰, 陈光强, 纪建松, 戴亚康. 基于深度学习的肝脏CT-MR图像无监督配准[J]. 计算机工程, 2023, 49(1): 223-233.
[6]	唐佳敏, 韩华, 黄丽. 行人再识别中基于无监督学习的粗细粒度特征提取[J]. 计算机工程, 2022, 48(4): 269-275,283.
[7]	彭红艳, 李杰, 石贞奎, 李先贤. 一种基于区块链可验证的加密图像检索方案[J]. 计算机工程, 2022, 48(2): 25-33,39.
[8]	王福银, 韩华, 黄丽, 陈益平. 时间特征互补的无监督视频行人重识别[J]. 计算机工程, 2022, 48(10): 313-320.
[9]	张国令, 王晓丹, 李睿, 来杰, 向前. 基于栈式降噪稀疏自编码器的极限学习机[J]. 计算机工程, 2020, 46(9): 61-67.
[10]	张显炀, 朱晓宇, 林浩申, 刘刚, 安喜彬. 基于高斯混合-变分自编码器的轨迹预测算法[J]. 计算机工程, 2020, 46(7): 50-57.
[11]	顾岩, 赵崇宇, 黄平. 基于高阶统计信息的深度哈希学习模型[J]. 计算机工程, 2020, 46(7): 260-267,276.
[12]	张志敏, 柴变芳, 李文斌. 基于稀疏自编码器的属性网络嵌入算法[J]. 计算机工程, 2020, 46(7): 98-103,109.
[13]	许春杰, 吴蒙, 杨立君. 一种基于分层聚合的分布式异常数据检测方案[J]. 计算机工程, 2020, 46(4): 213-219.
[14]	陈健,唐俊遥,朱生光,周兆钊. 深度堆栈自编码网络在船舶重量估算中的应用[J]. 计算机工程, 2019, 45(5): 315-320.
[15]	孙婷. 一种基于交替凸优化的视频对象分割算法[J]. 计算机工程, 2019, 45(3): 242-249.

选择文件类型/文献管理软件名称

选择包含的内容

基于稀疏自编码的无监督图像哈希算法

Unsupervised image hashing algorithm based on sparse-autoencoder

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于稀疏自编码的无监督图像哈希算法

Unsupervised image hashing algorithm based on sparse-autoencoder

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价