本文選題：哈希學(xué)習(xí)　切入點(diǎn)：深度學(xué)習(xí)　出處：《南京大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：在圖像檢索等真實(shí)應(yīng)用場(chǎng)景中,隨著數(shù)據(jù)爆發(fā)式增長(zhǎng),近似最近鄰搜索(approximate nearest neighbor search,ANNS)最近幾年已經(jīng)變成了一個(gè)熱門(mén)研究課題�，F(xiàn)有的近似最近鄰搜索技術(shù)中,哈希學(xué)習(xí)憑借著檢索速度快和存儲(chǔ)成本低的優(yōu)點(diǎn),已經(jīng)成為圖像檢索領(lǐng)域最受歡迎和有效的技術(shù)之一。但是現(xiàn)有的大部分哈希學(xué)習(xí)方法都是基于手工提取特征,手工提取特征不一定適用于哈希編碼學(xué)習(xí)。最近一些深度哈希學(xué)習(xí)被提出,可以同時(shí)進(jìn)行特征學(xué)習(xí)和哈希編碼學(xué)習(xí)。然而這些深度哈希學(xué)習(xí)方法大部分都是基于三元組標(biāo)簽的�；跇�(biāo)簽對(duì)的圖像檢索是哈希學(xué)習(xí)另一個(gè)常見(jiàn)應(yīng)用場(chǎng)景,在這個(gè)場(chǎng)景下目前還沒(méi)有深度哈希學(xué)習(xí)方法能夠同時(shí)進(jìn)行特征學(xué)習(xí)和哈希編碼學(xué)習(xí)。在本文中,我們提出一種新穎的深度哈希學(xué)習(xí)方法,叫做基于標(biāo)簽對(duì)的深度哈希學(xué)習(xí)方法(deep pairwise-supervised hashing,DPSH),可以在一個(gè)完整框架中同時(shí)進(jìn)行特征學(xué)習(xí)和哈希編碼學(xué)習(xí)。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明,我們提出的DPSH方法在圖像檢索任務(wù)上可以取得比其他經(jīng)典哈希學(xué)習(xí)方法更好的檢索準(zhǔn)確率。盡管我們提出的DPSH方法已經(jīng)在圖像檢索任務(wù)上取得了令人滿(mǎn)意的結(jié)果,但是對(duì)于大規(guī)模數(shù)據(jù)集而言,基于單個(gè)GPU的實(shí)現(xiàn)比較費(fèi)時(shí)。所以我們提出了一種多GPU并行DPSH方法,在不影響檢索準(zhǔn)確率的前提下明顯降低了訓(xùn)練時(shí)間。
[Abstract]:In real-world applications such as image retrieval, as data explodes, approximate nearest neighbor search has become a hot research topic in recent years. Hash learning has become one of the most popular and effective techniques in image retrieval due to its advantages of fast retrieval speed and low storage cost. However, most of the existing hash learning methods are based on manual feature extraction. Manual feature extraction is not necessarily applicable to hashing coding learning. Recently, some deep hashing learning has been proposed. Both feature learning and hashing coding can be performed simultaneously. However, most of these deep hash learning methods are based on triple tags. Image retrieval based on tag pairs is another common application scenario for hashing learning. In this scenario, there is no deep hash learning method that can perform both feature learning and hash coding learning. In this paper, we propose a novel depth hash learning method. The deep hashing learning method called tag pair based deep pairwise-supervised hashingDPS HHN can be used in both feature learning and hashing coding learning in a complete framework. Experiments on real data sets show that, Our proposed DPSH method can achieve better retrieval accuracy than other classical hash learning methods in image retrieval tasks, although our proposed DPSH method has achieved satisfactory results in image retrieval tasks. However, for large scale data sets, the implementation based on a single GPU is time-consuming, so we propose a multi-#en1# parallel DPSH method, which can significantly reduce the training time without affecting the retrieval accuracy.
【學(xué)位授予單位】：南京大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張勇,雷振明;基于流應(yīng)用中的哈希查表性能研究[J];計(jì)算機(jī)工程與應(yīng)用;2003年25期

2 馬如林;蔣華;張慶霞;;一種哈希表快速查找的改進(jìn)方法[J];計(jì)算機(jī)工程與科學(xué);2008年09期

3 蔣大宏;動(dòng)態(tài)哈希方法[J];計(jì)算機(jī)工程;1993年01期

4 蔣大宏;實(shí)現(xiàn)檢索代價(jià)最優(yōu)的動(dòng)態(tài)哈希法[J];計(jì)算機(jī)工程與應(yīng)用;1994年Z2期

5 劉冠福;;動(dòng)態(tài)哈希表的設(shè)計(jì)及應(yīng)用[J];計(jì)算機(jī)時(shí)代;1996年02期

6 朱芳芳;李訓(xùn)根;;改進(jìn)的哈希表查找算法[J];杭州電子科技大學(xué)學(xué)報(bào);2013年05期

7 趙宇;;基于哈希表查找方法的優(yōu)勢(shì)及其算法的改進(jìn)[J];中小企業(yè)管理與科技(下旬刊);2012年03期

8 高文利;朱麗;;哈希表在計(jì)算語(yǔ)言學(xué)中的運(yùn)用[J];現(xiàn)代語(yǔ)文(語(yǔ)言研究版);2009年06期

9 賀元香;史寶明;;除留余數(shù)法建立哈希表的方法改進(jìn)[J];甘肅科技;2008年07期

10 劉艙強(qiáng);鄧昌勝;余諒;;基于哈希表的最長(zhǎng)前綴匹配算法改進(jìn)[J];微計(jì)算機(jī)信息;2009年30期

相關(guān)會(huì)議論文 前2條

1 朱芳芳;李訓(xùn)根;;改進(jìn)的哈希表查找算法[A];浙江省電子學(xué)會(huì)2013學(xué)術(shù)年會(huì)論文集[C];2013年

2 趙競(jìng);余宏亮;張X;鄭緯民;;廣域網(wǎng)分布式哈希表存儲(chǔ)副本可靠性的維護(hù)[A];全國(guó)網(wǎng)絡(luò)與信息安全技術(shù)研討會(huì)論文集（下冊(cè)）[C];2007年

相關(guān)博士學(xué)位論文 前4條

1 黃慧群;內(nèi)容中心網(wǎng)絡(luò)的查表技術(shù)研究[D];解放軍信息工程大學(xué);2014年

2 季劍秋;面向大規(guī)模數(shù)據(jù)相似計(jì)算和搜索的哈希方法研究[D];清華大學(xué);2015年

3 彭建章;非阻塞算法與多進(jìn)程網(wǎng)絡(luò)程序優(yōu)化研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

4 付海燕;基于圖像哈希的大規(guī)模圖像檢索方法研究[D];大連理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 郝廣洋;語(yǔ)音感知哈希及其在密文語(yǔ)音檢索中的應(yīng)用研究[D];西南交通大學(xué);2015年

2 黃志騫;基于迭代量化的用于近似最近鄰檢索的哈希方法[D];華南理工大學(xué);2015年

3 王聰;基于局部敏感哈希的聲源定位方法[D];大連理工大學(xué);2015年

4 鄧慧茹;面向大規(guī)模視覺(jué)檢索的哈希學(xué)習(xí)[D];西安電子科技大學(xué);2014年

5 張梁;基于局部敏感哈希的近似近鄰查詢(xún)算法研究[D];南京郵電大學(xué);2015年

6 任劉姣;感知哈希及其在語(yǔ)音檢索與認(rèn)證中的應(yīng)用[D];西南交通大學(xué);2016年

7 王戊林;面向視頻檢索的高效哈希技術(shù)研究[D];山東大學(xué);2016年

8 黃賽金;基于譜哈希的分布式近鄰存儲(chǔ)方法的設(shè)計(jì)與實(shí)現(xiàn)[D];南京郵電大學(xué);2016年

9 孫永;基于哈希的快速多標(biāo)記學(xué)習(xí)算法研究[D];南京郵電大學(xué);2016年

10 李蕾;基于哈希的圖像檢索研究[D];北京交通大學(xué);2017年

，

本文編號(hào)：1635593