《Expert Systems with Applications》:Edge Priors Guided Deep Unrolling Network for Single Image Super-resolution
编辑推荐:
本文提出了一种创新的频域引导多尺度半监督深度哈希方法(FG-MSSDH),通过构建频域感知特征融合框架(FAMFF)和动态伪标签生成机制,有效解决了现有方法在特征表示、多尺度融合及半监督学习效率方面的局限。该方法利用频域先验信息引导动态状态空间模型(FGDSSM),显著提升了大规模图像检索在标签稀疏场景下的性能。
Section snippets
Deep Hashing for Image Retrieval
根据监督信息的可用性,深度哈希学习方法主要可分为三类:监督学习、无监督学习和半监督学习。监督深度哈希方法能够充分利用标签信息来学习高判别性的哈希码。早期的监督深度哈希方法主要基于卷积神经网络架构。CSQ (Yuan et al., 2020) 建立了一种有效的量化策略。
Problem formulation
令训练数据集为 D = Dl∪ Du,其中标记数据 Dl= {(xi, yi)}nli=1和未标记数据 Du= {(xj)}nuj=1。在此上下文中,nl和 nu分别表示标记和未标记样本的数量,通常 nu? nl。每个样本 xi∈ RH×W×3是一个输入图像,yi∈ {0, 1}C是其对应的多类标签向量,C 是类别数量。
本文的目标是学习一个端到端的哈希函数 hθ: RH×W×3→ {?1, +1}K,其中 θ 代表网络参数,K 表示
Experimental
为了全面评估FG-MSSDH网络的有效性,本研究在四个公共数据集上使用多种图像检索评估指标进行了性能验证。通过与现有监督哈希方法和半监督哈希方法的比较分析,以及在不同标签比例条件下的性能测试,系统地验证了所提出网络的先进性和鲁棒性。
Conclusion
为了解决半监督深度哈希中特征表示能力不足、多尺度融合效果有限以及伪标签质量差的问题,本文提出了一种新颖的半监督深度哈希检索模型FG-MSSDH。在FG-MSSDH中,首先,采用频域引导的状态空间模型作为特征提取主干网络,通过条件参数化SSM