泡泡一分钟 MIHASH：基于互信息的在线哈希算法（ICCV2017-44）

Posted 2021-04-30 泡泡机器人SLAM

iccv2017-44+格子 来自泡泡机器人SLAM 00:00 02:07

每天一分钟，带你读遍机器人顶级会议文章

来源：ICCV 2017 ( IEEE International Conference on Computer Vision)

播音员：格子

编译：李建禹(46)

摘要

        大家好，今天为大家带来的文章是：基于互信息的在线哈希算法，该文章发表于ICCV2017。

        基于学习的哈希算法被广泛用于最近邻检索，最近，在线哈希算法通过从流数据中学习哈希函数，展示了良好的性能与计算复杂度平衡特性。在本文中，作者首先解决在线哈希的一个关键挑战性问题：被索引数据的二进制编码必须被重新计算来与哈希函数的更新保持同步。作者提出了一个有效的对哈希函数质量进行度量的方法：即基于信息论中的互信息，并成功地用它作为一个标准以消除不必要的哈希表更新。并且，作者还展示了如何利用随机梯度下降优化互信息目标。基于此，作者提出了一种新的哈希方法MIHASH(Mutual Information HASH)，该方法可用于在线和批量的设定。在图像检索的基准数据集上的实验证实了此方法的有效性，既减少了哈希表的重复计算，又学习了高质量的哈希函数。

下表展示了本文方法与目前最好的哈希方法在CIFAR-10数据集的测试结果比较。作者以平均精度均值作为测试指标（mAP, mean Average Precision）,每一项中最好的结果用粗体表示。左侧Setting 1为在线设定，Setting 2为批量设定。可以看出，本文提出方法的准确率在测试的几个方法中是最优的。

                            Abstract
    Learning-based hashing methods are widely used for nearest neighbor retrieval, and recently, online hashing methods have demonstrated good performance-complexity trade-offs by learning hash functions from streaming data. In this paper, we first address a key challenge for online hashing: the binary codes for indexed data must be recomputed to keep pace with updates to the hash functions.
We propose an efficient quality measure for hash functions, based on an information-theoretic quantity, mutual information, and use it successfully as a criterion to eliminate unnecessary hash table updates. Next, we also show how to optimize the mutual information objective using stochastic gradient descent. We thus develop a novel hashing method, MIHash, that can be used in both online and batch settings. Experiments on image retrieval benchmarks (including a 2.5M image dataset) confirm the effectiveness of our formulation, both in reducing hash table recomputations and in learning high-quality hash functions.

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/forums/

商业合作及转载请联系[e-mail]