Locality Preserving Multiview Graph Hashing for Large Scale Remote Sensing Image Search

要約

タイトル：大規模なリモートセンシング画像検索のための局所性を保つマルチビュー・グラフ・ハッシング

要約：
– リモートセンシング画像検索において、ハッシングがよく用いられている。
– 本論文は、学習可能なパラメータを持つマルチビューのハッシングを提案し、大規模リモートセンシングデータセットからクエリされた画像を取り出すことを目的としている。
– 既存の方法では、現実世界のリモートセンシングデータが高次元の周辺空間に埋め込まれた低次元の多様体上にあることを無視している。
– 本論文は、従来の方法とは異なり、ビューごとの低次元の部分空間で合意されたコンパクトなコードを学習することを提案している。
– さらに、複雑なパラメータチューニングを回避するために学習可能なハイパーパラメータモジュールを追加している。
– 本方法の有効性を証明するために、3つの広く使用されているリモートセンシングデータセットで実験を行い、7つの最先端の方法と比較した。
– 広範な実験により、提案手法が他の手法と競合する結果を達成できることが示されている。

要約(オリジナル)

Hashing is very popular for remote sensing image search. This article proposes a multiview hashing with learnable parameters to retrieve the queried images for a large-scale remote sensing dataset. Existing methods always neglect that real-world remote sensing data lies on a low-dimensional manifold embedded in high-dimensional ambient space. Unlike previous methods, this article proposes to learn the consensus compact codes in a view-specific low-dimensional subspace. Furthermore, we have added a hyperparameter learnable module to avoid complex parameter tuning. In order to prove the effectiveness of our method, we carried out experiments on three widely used remote sensing data sets and compared them with seven state-of-the-art methods. Extensive experiments show that the proposed method can achieve competitive results compared to the other method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI