BriefGPT - AI 论文速递
·
基于 Householder 量化的深度哈希
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种全局相似度度量方法——中心相似度，并引入哈希中心的概念。通过构建哈达玛矩阵和伯努利分布的方法实现哈希中心的有效构建，提出了一种优化数据点间哈希中心间中心相似度的方法CSQ。此方法在图像和视频哈希场景中均适用，可以为相似数据对生成连贯的哈希码，在检索效率方面取得了3％-20％的提升。
🎯
关键要点
- 提出了一种全局相似度度量方法——中心相似度。
- 引入哈希中心的概念，寻找离散且相互之间距离足够远的数据点。
- 通过构建哈达玛矩阵和伯努利分布的方法实现哈希中心的有效构建。
- 提出了一种优化数据点间哈希中心间中心相似度的方法CSQ。
- CSQ方法适用于图像和视频哈希场景。
- 实验表明，CSQ可以为相似数据对生成连贯的哈希码，为非相似数据对生成离散的哈希码。
- 在检索效率方面取得了3%-20%的提升。
➡️
