A New Bilinear Supervised Neighborhood Discrete Discriminant Hashing
A New Bilinear Supervised Neighborhood Discrete Discriminant Hashing
复制标题
一种新的双线性监督邻域离散判别哈希
DOI：
10.3390/math10122110
复制
发表时间：
2022-06
期刊：
影响因子：
2.4
通讯作者：
Zizhu Fan
中科院分区：
文献类型：
--
作者：
Xueyu Chen;Minghua Wan;Hao Zheng;Chao Xu;Chengli Sun;Zizhu Fan
特征提取是感知散列算法的重要组成部分。如何将图像的鲁棒性特征压缩成散列码已成为一个研究热点。将二维图像转换为一维描述符需要更高的计算成本，并且不是最佳的。为了保持原始二维图像的内部特征结构，提出了一种新的双线性监督邻域离散判别散列（BNDDH）算法。该算法首先构造两个新的邻域图来保持样本之间的几何关系，并通过直接约束哈希码来减少量化损失。其次，使用两个小的旋转矩阵来实现二维描述子的双线性投影。最后，实验验证了BNDDH算法在不同特征类型下的性能，如图像原始像素和基于卷积神经网络（CNN）的AlexConv5特征。实验结果和讨论清楚地表明，提出的BNDDH算法优于现有的传统哈希算法，可以更有效地表示图像。
Feature extraction is an important part of perceptual hashing. How to compress the robust features of images into hash codes has become a hot research topic. Converting a two-dimensional image into a one-dimensional descriptor requires a higher computational cost and is not optimal. In order to maintain the internal feature structure of the original two-dimensional image, a new Bilinear Supervised Neighborhood Discrete Discriminant Hashing (BNDDH) algorithm is proposed in this paper. Firstly, the algorithm constructs two new neighborhood graphs to maintain the geometric relationship between samples and reduces the quantization loss by directly constraining the hash codes. Secondly, two small rotation matrices are used to realize the bilinear projection of the two-dimensional descriptor. Finally, the experiment verifies the performance of the BNDDH algorithm under different feature types, such as image original pixels and a Convolutional Neural Network (CNN)-based AlexConv5 feature. The experimental results and discussion clearly show that the proposed BNDDH algorithm is better than the existing traditional hashing algorithm and can represent the image more efficiently in this paper.
登录
查看更多内容
影响因子：
15.2
作者：
Berisha V;Krantsevich C;Hahn PR;Hahn S;Dasarathy G;Turaga P;Liss J
通讯作者：
Liss J
DOI：
10.1007/bfb0015522
发表时间：
1996-04
期刊：
--
影响因子：
--
作者：
P. Belhumeur;J. Hespanha;D. Kriegman
通讯作者：
P. Belhumeur;J. Hespanha;D. Kriegman
DOI：
--
发表时间：
2009-12
期刊：
--
影响因子：
--
作者：
M. Raginsky;Svetlana Lazebnik
通讯作者：
M. Raginsky;Svetlana Lazebnik
DOI：
10.1109/cvpr.2015.7298739
发表时间：
2015-06
期刊：
2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)
影响因子：
--
作者：
Saehoon Kim;Seungjin Choi
通讯作者：
Saehoon Kim;Seungjin Choi
全局相似性保持散列
影响因子：
4.1
作者：
Yang Liu;Lin Feng;Shenglan Liu;Musin Sun
通讯作者：
Musin Sun