.png){kind=icon}
返回
Sequential hash representation for deep hashing-based image retrieval
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114229.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在计算机视觉领域，卷积神经网络显著提升了基于深度哈希的图像检索的有效性。然而，现有的深度哈希技术通常将哈希码视为空间特征。这导致现有哈希表示对实数空间中的空间偏移不敏感，这种现象可以用实数空间与汉明空间之间的不匹配来解释。针对这些局限性，本文提出了一种基于序列哈希表示的新方法SeqHash。与现有的深度哈希方法不同，SeqHash将哈希码视为哈希序列。得益于混沌理论的序列特性和Kolmogorov-Arnold Networks（KANs）的鲁棒拟合能力，SeqHash构建了一个名为序列-KAN层的哈希编码层，以在哈希编码和类别哈希中心生成过程中产生作为序列输出的哈希码。此外，SeqHash设计了一种损失函数，促进序列输出在时域中收敛至预定序列的稳定状态。序列哈希表示中的误差传播和混沌映射的随机性使每个哈希码位依赖于其前一位，并赋予哈希对实数空间中空间偏移的更高敏感性。这一特性使训练过程中汉明空间和实数空间中的偏移对齐，并有效捕捉样本间的差异。定量和定性实验表明，SeqHash在图像检索任务中表现出卓越性能，相较于其他前沿的深度哈希算法，其生成的哈希码更具可区分性。
Keyword:
deep hashing
sequential hash representation
Kolmogorov-Arnold Networks
image retrieval
hash code sensitivity
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
分享收藏
Deep hashing with mutual information: A comprehensive strategy for image retrieval具有互信息的深度哈希: 图像检索的综合策略
PREAI
分享收藏分享收藏
查看更多内容