基于贝叶斯方法的监督哈希算法
发布时间：2021-09-25 20:38
随着互联网的快速发展,在过去的几十年内包括Facebook和Flickr在内的许多网站经历了图片的爆炸性增长。因而,业界对于能够在大规模图像数据库中有效搜索相关图像的算法的需求越来越迫切。给定一个数据集,哈希方法可以将数据从原本的特征空间映射到一个二进制哈希编码空间同时保持成对数据点的相似性。由于哈希方法可以在很大程度上提高检索速度,同时降低存储需求,因此近年来受到了广泛的关注。包括变分推理在内的贝叶斯概率方法已经被广泛应用于众多的机器学习问题中,但是还未被用于解决哈希这一问题上。本文将贝叶斯推理中的平均场变分思想和现有的监督哈希方法相结合,提出了两种新的算法来解决监督哈希问题。本文的贡献主要包括:1.大多数已有的监督哈希目标函数是一个误差函数与一个正则项之和,所以可以看作是对于哈希编码的最大后验估计。因而,这些方法如果超参数设置不当则容易陷入过拟合。为了解决这一问题,本文基于连续随机变量进行建模,利用贝叶斯方法来自动优化哈希编码和超参数,从而解决了监督哈希问题。此外,本文利用自动相关性确定来判别区分能力最强的哈希比特位。2.由于哈希编码的学习是NP难的,许多方法使用了松弛技术,但该技...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
最近邻查询的原理
上海交通大学硕士学位论文 ( | , ) = =1( | , ) (2 6)其中 = [ 1, 2, , ] ， = [ 1, 2, , ] 为控制伽马分布的超参数。模型的联合概率分布为： ( , , ) = ( | ) ( | ) ( | , ) (2 7)对应的概率图模型如图 2-1(a)。
- 23 -图 2-2 BSH 在 NUS-WIDE 数据集上的一些检索结果Fig.2-1 Some retrieval examples of BSH on the NUS-WIDE dataset
本文编号：3410403
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
最近邻查询的原理
上海交通大学硕士学位论文 ( | , ) = =1( | , ) (2 6)其中 = [ 1, 2, , ] ， = [ 1, 2, , ] 为控制伽马分布的超参数。模型的联合概率分布为： ( , , ) = ( | ) ( | ) ( | , ) (2 7)对应的概率图模型如图 2-1(a)。
- 23 -图 2-2 BSH 在 NUS-WIDE 数据集上的一些检索结果Fig.2-1 Some retrieval examples of BSH on the NUS-WIDE dataset
本文编号：3410403
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3410403.html
