Classification by Retrieval: Binaring Data and Classifiers

[第003号]

摘要

分类问题是机器学习、信息检索、计算机视觉、多媒体等多个学科的最重要的基础问题之一。随着数据的急剧增加，现实应用中的很多分类问题在计算效率、存储需求等方面产生了巨大挑战。该论文针对这一问题提出了基于哈希编码的解决方案。与以往的哈希研究不同的是，该工作中提出的算法不仅对数据进行二值哈希编码，还首创对分类器也同时进行二值化学习。通过这一创新，该算法将分类问题转化为了一个高效的哈希码搜索问题，极大地提高了分类算法的效率。该算法的有效性在多个真实的数据上得到了验证。

过程预览

研究过程

1. 介绍

本文主要贡献：
（1）We difine a novel problem by binarizing both classifiers and image features and simulataneously learing them in a unfied formulation.
（2）An efficient solver is proposed for the binary optimization problem.
（3）Our formulation supports a large family of empirical loss functions and is here instantiated by exponential/linear losses.

2. 相关工作

2.1 Hashing for fast image search and beyond

2.2 Hashing for large-scale optimization

3. 模型

本文提出的模型

3.1 指数损失函数的学习

指数损失函数

3.2 线性损失函数的学习

线性损失函数

3.3 二值编码预测

3.4 讨论

4. 实验

4.1 数据集

SUN397
ImageNet
Caltech-256

4.2 被比较的方法和评估指标

4.3 准确率和计算效率

4.4 内存消耗

内存消耗对比

reduce the storage cost by converting high-dimensional real-valued features and classfication models to compact binary codes.

4.5 评估解析模型

5. 结论

心得体会

我的体会

参考文献

1. http://www.news.uestc.edu.cn/?n=UestcNews.Front.Document.ArticlePage&Id=59932
2. http://blog.csdn.net/opshres169/article/details/51705910
3. http://blog.csdn.net/zouxy09/article/details/24971995