基于非固定长度散列表的无监督式海明距离搜索

发布时间：2021-08-07 05:05

　　为提高大规模数据的检索效率,提出一种无监督式的海明距离搜索方法。首先,为了提高散列表处理效率,通过放宽尺寸约束得到具有可变长度散列键的多个散列表;然后,基于多散列表检索概率的理论分析,通过一个搜索算法,得到适合的散列键长度（HKL）的集合,并由此得到检索机制。实验采用了SIFT、ANN和Flickr三个大规模数据集,利用最小召回率和检索阈值验证方法的性能。实验结果表明:所提方法可高效处理大规模数据集,实现了1～3个数量级的加速度。 

【文章来源】：重庆理工大学学报(自然科学). 2020,34(01)北大核心

【文章页数】：7 页

【文章目录】：
1多个散列表检索
    1.1基于散列表集合的检索机制
    1.2碰撞概率
    1.3固定长度与可变长度散列键的对比
    1.4近似的检索概率
2树型结构的HKL集搜索机制
    2.1搜索树裁剪规则
    2.2搜索算法
3实验与分析
    3.1数据集和实验设置
    3.2结果分析
4结束语


【参考文献】：
期刊论文
[1]基于卷积神经网络和监督核哈希的图像检索方法[J]. 柯圣财,赵永威,李弼程,彭天强.  电子学报. 2017(01)
[2]基于改进BOW模型的图像分类技术[J]. 陈杰,王诚.  南京邮电大学学报(自然科学版). 2016(06)
[3]基于卷积神经网络和流形排序的图像检索算法[J]. 刘兵,张鸿.  计算机应用. 2016(02)
[4]基于海明距离和TOPSIS的直觉模糊数排序法[J]. 谭吉玉,朱传喜,张小芝,朱丽.  统计与决策. 2015(19)
[5]基于多特征融合的图像检索[J]. 张永库,李云峰,孙劲光.  计算机应用. 2015(02)



本文编号：3327136