Deep Supervised Hashing with Triplet Labels

[chullhwan-song]

https://arxiv.org/abs/1612.03900 https://pdfs.semanticscholar.org/9a0c/8fbc6f4f48f736e0f25006c3a9d8c7da83e5.pdf

[chullhwan-song]

Abstract

• Hashing 은 ANN Search에서 popular & powerful 방법
  • for large-scale image retrieval
• 전통적인 방법에서는(DL이 아닌) feature vector를 만들고 난후에 hash화함.
• 이 과정에서 feature vector와 hash code사이에 optimal한 학습으로 인해 생성된것이 아님
  • end to end가 필요하다는 의미도 포함한듯
• DL 방법은 end to end통해 feature vector와 hash code사이에 학습을 통해 optimal hash code를 발생하는 연구임.
  • 기존 연구에서는 softmax, pairwise label를 통해..
• 이전의 SOTA인 DPSH는 pairwise label(loss)를 통해 성취
• 우리의 연구는 triplet loss(label)를 이용함.
• 기본적으로 DPSH의 연구에서 영감을 얻어으니 거의 같고, triplet loss만 다른듯

Contributions

• triplet label based
• 새로운 hash code 평가
• loss function
• SOTA performance

Approach

• triplet loss는 많은 paper에서 많이보았기 때문에 넘어감 (밑의 리뷰 참고)
  • Deep metric learning using Triplet network : [paper][review]
  • FaceNet: A Unified Embedding for Face Recognition and Clustering : [paper][review]
• 다만 여기서는 vector가 아닌 hash code 형태 즉, hamming distance에 의해 기본 distance를 계산.
  • hamming이 아니더래도, hash 를 vector로 생각하여 일반적인 distance(inner product)를 사용해도 무방하다고 생각함.
• Hash Function
  • 정확히 어떤 알고리즘으로 사용했는지는 안나타는듯..
  • refer 정도이니 단순희 sign/or others activation정도를 했을것으로 추정 > 뒤에 sign 함수를 쓰는 내용이.
• Loss Function
  • U 는 real vector(fc vector)

    Experiment