Supervised Hash Coding with Deep Neural Network for Environment Perception of Intelligent Vehicles
Chenggang Yan, Hongtao Xie, Dongbao Yang, Jian Yin, Yongdong Zhang, Qionghai Dai
图像内容分析是智能车辆的重要环绕感知模态。为了基于来自大型场景数据库的图像内容分析有效地识别道路环境，相关图像检索成为基本问题之一。为了提高计算图像之间相似性的效率，散列技术受到越来越多的关注。对于大多数现有散列方法，生成次优二进制代码，因为手工制作的特征表示与二进制代码不是最佳兼容的。在本文中，提出了一阶段监督深度哈希框架（SDHP）来学习高质量二进制码。实现了深度卷积神经网络，并且我们强制学习的代码满足以下标准：1）类似的图像应该被编码成类似的二进制代码，反之亦然; 2）应尽量减少从欧几里德空间到汉明空间的量子化损失; 3）学习的代码应均匀分布。该方法进一步扩展到SDHP +，以提高二进制码的判别能力。在CIFAR-10和NUS-WIDE上进行了与最先进的哈希算法的广泛实验比较，SDHP的MAP分别达到87.67％和77.48％，48 b，SDHP +的MAP达到91.16％ ，CIFAR-10和NUS-WIDE分别为81.08％，12 b，48 b。说明该方法可以明显提高搜索精度。
该成果发表于IEEE Transactions on Intelligent Transportation Systems期刊，收录于SCI，为ESI高被引以及ESI热点论文。
