<sup id="maays"></sup>

信息學院紀榮嶸研究團隊最新研究成果再登PAMI

發表時間:2020-12-04瀏覽次數:50

近日,國際頂級學術期刊IEEE Transactions on Pattern Analysis and Machine Intelligence(PAMI)接收了廈門大學信息學院紀榮嶸教授團隊的最新研究成果Fast Class-wise Updating for Online Hashing。PAMI是計算機學科領域最頂級的國際期刊,其影響因子17.861。該論文提出了一種基于類別更新的在線哈希學習技術,簡稱FCOH。

該論文旨在解決圖像特征二值化編碼過程中的哈希函數在流數據環境下的更新效率問題,一方面吸取了傳統線下哈希方法的優點:低存儲空間和高效的漢明距離計算, 另一方面克服了傳統哈希圖像檢索中存在的訓練效率低下、內存消耗大的缺點。

    

                                         

圖:大規模流數據環境下,本文提出以類別為單位進行數據劃分哈希函數的更新,加快模型收斂,同時增強哈希編碼的判別性。


        在哈希模型訓練的每一個階段,我們僅僅需要考慮數據對的相似信息,同時考慮了數據對在漢明空間中的相似性信息保留,構建了一種基于快速類別更新的在線哈希學習方法:對于新數據流,以類別為單位進行數據劃分并對哈希函數進行更新,增加函數優化過程中的迭代次數以加快模型收斂,將各類數據的編碼距離拉開,增加判別能力。同時,為進一步降低傳統基于離散優化的訓練時間開銷問題,我們進一步提出一種半松弛的優化方案,通過量化部分二值化約束為連續性約束,同時保留另一部分二值化約束為常量,極大地提升了基于內積相似性保留哈希檢索的訓練效率。該算法能夠較大程度地保留查詢數據和數據庫中數據的相似信息,降低精度損失,同時也能使得相似的數據排列在檢索列表的前列。在本框架中,需要的訓練設備要求較低,對于內存的需求僅需要滿足一對數據的大小盡可,基于數據對的訓練方式又極大壓縮了訓練時間的消耗。目前在多個公開的圖像檢索評測集和評測模型上,都取得了最好的評估結果。

該論文由我校信息學院媒體分析與計算實驗室的博士生林明寶與其導師紀榮嶸(通訊作者)、孫曉帥副教授、北京航空航天大學張寶昌教授、北京大學田永鴻教授、悉尼大學陶大成教授等合作完成。該論文也是紀榮嶸教授團隊三年內的第五篇PAMI文章,系列研究成果的發布標志著我校在信息學科人工智能研究領域影響力的逐步提升。本項研究得到了包括國家杰出青年科學基金在內的項目的支持。


江苏体彩网