【CVPR2020】跨模态哈希的无监督知识蒸馏

2020 年 6 月 25 日 专知

本文提出了一种利用“无中生有”的监督方式,用于跨模态哈希编码。现存的跨模态哈希编码分为有监督和无监督两类,前者通常精度更高,但依赖于图像级标注信息,以生成相似度矩阵。本方法创新性地提出,利用无监督的哈希方法产生图像特征,并利用图像特征计算相似度矩阵,从而绕开了对监督信号的需求,在不增加标注代价的情况下,提升了跨模态哈希编码的精度,超过了所有无监督的编码方法。本文还分析了图像特征和文本特征在相似度计算中的作用,并且讨论了这种方法在类似场景中的应用。

https://arxiv.org/abs/2004.00280


专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“CHKD” 可以获取《跨模态哈希的无监督知识蒸馏》专知下载链接索引

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“阅读原文”,了解使用专知,查看获取5000+AI主题知识资源
登录查看更多
5

相关内容

【CVPR2020-CMU】无数据模型选择,一种深度框架潜力
专知会员服务
22+阅读 · 2020年4月12日
【KDD2020】图神经网络生成式预训练
专知
22+阅读 · 2020年7月3日
【干货】图卷积GCN前沿方法介绍
专知
32+阅读 · 2018年9月1日
Arxiv
6+阅读 · 2019年7月29日
Self-Attention Graph Pooling
Arxiv
5+阅读 · 2019年4月17日
Meta-Transfer Learning for Few-Shot Learning
Arxiv
8+阅读 · 2018年12月6日
Learning Blind Video Temporal Consistency
Arxiv
3+阅读 · 2018年8月1日
Few Shot Learning with Simplex
Arxiv
5+阅读 · 2018年7月27日
Arxiv
4+阅读 · 2018年3月14日
VIP会员
相关VIP内容
【CVPR2020-CMU】无数据模型选择,一种深度框架潜力
专知会员服务
22+阅读 · 2020年4月12日
相关论文
Arxiv
6+阅读 · 2019年7月29日
Self-Attention Graph Pooling
Arxiv
5+阅读 · 2019年4月17日
Meta-Transfer Learning for Few-Shot Learning
Arxiv
8+阅读 · 2018年12月6日
Learning Blind Video Temporal Consistency
Arxiv
3+阅读 · 2018年8月1日
Few Shot Learning with Simplex
Arxiv
5+阅读 · 2018年7月27日
Arxiv
4+阅读 · 2018年3月14日
Top
微信扫码咨询专知VIP会员