Unsupervised Image Hashing Using a Deep Convolutional Encoder-Decoder Model for Fast Image Retrieval

Enver Akbacak

Makale detayları

Unsupervised Image Hashing Using a Deep Convolutional Encoder-Decoder Model for Fast Image Retrieval

Yazarlar:

Enver Akbacak

Yayıncı:

Afyon Kocatepe University

Ana Başlıklar:

Yapay Zeka

Dergi:

Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi Vol.23 Issue 6, pp.1458-1465

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001305867

pISSN:

2149-3367

Anahtar kelimeler:

Özet:

 Image hashing methods transform high-dimensional image features into low-dimensional binary codes while preserving semantic similarity. Among image hashing techniques, supervised image hashing approaches outperform unsupervised and semisupervised methods. However, labelling image data requires extra time and expert effort. In this study, we proposed a deep learning-based unsupervised image hashing method for unlabeled image data. The proposed hashing method is built in an end-to-end fashion. It consists of an encoder-decoder model. As a novel idea, we used a supervised pre-trained network as an encoder model, which provides fast convergence in the training phase and efficient image features. Hash codes are extracted by optimizing those intermediate features. Experiments performed on two benchmark image datasets demonstrate the competitive results compared to unsupervised image hashing methods.

 Image hashing methods transform high-dimensional image features into low-dimensional binary codes while preserving semantic similarity. Among image hashing techniques, supervised image hashing approaches outperform unsupervised and semisupervised methods. However, labelling image data requires extra time and expert effort. In this study, we proposed a deep learning-based unsupervised image hashing method for unlabeled image data. The proposed hashing method is built in an end-to-end fashion. It consists of an encoder-decoder model. As a novel idea, we used a supervised pre-trained network as an encoder model, which provides fast convergence in the training phase and efficient image features. Hash codes are extracted by optimizing those intermediate features. Experiments performed on two benchmark image datasets demonstrate the competitive results compared to unsupervised image hashing methods.

 Image hashing methods transform high-dimensional image features into low-dimensional binary codes while preserving semantic similarity. Among image hashing techniques, supervised image hashing approaches outperform unsupervised and semisupervised methods. However, labelling image data requires extra time and expert effort. In this study, we proposed a deep learning-based unsupervised image hashing method for unlabeled image data. The proposed hashing method is built in an end-to-end fashion. It consists of an encoder-decoder model. As a novel idea, we used a supervised pre-trained network as an encoder model, which provides fast convergence in the training phase and efficient image features. Hash codes are extracted by optimizing those intermediate features. Experiments performed on two benchmark image datasets demonstrate the competitive results compared to unsupervised image hashing methods.

 Görüntü hash kodlarını elde eden metotlar, yüksek boyutlu ve sayısal olan görüntü özniteliklerini, görüntüler arasındaki anlamsal ilişkileri koruyacak şekilde daha düşük boyutlu ikili kodlara dönüştürürler. Hash teknikleri arasında denetimli öğrenmeye dayalı yöntemler, denetimsiz ve yarı denetimli öğrenme metotlarına göre daha verimlidirler. Ancak denetimli öğrenmeye dayalı yöntemler görüntülerin anlamsal etiketlerini kullanırlar ve bu da ilave bir çalışma ve uzman emeği gerektirir. Bu çalışmada etiketsiz görüntüler için denetimsiz öğrenmeye dayalı bir yöntem sunulmuştur. Bu yöntem uçtan uca kesintisiz entegre bir yöntemdir. Yöntem kodlayıcı-kod çözücü tabanlıdır. Yeni bir öneri olarak, kodlayıcı kısmında önceden denetimli olarak eğitilmiş bir derin ağın bloklarını kullanmamız, eğitim aşamasında hızlı yakınsamayı ve görüntü özniteliklerinin verimli olmasını sağlamıştır. Hash kodları ise bu özniteliklerin optimize edilmesi ile çıkarılmıştır. İki bilinen görüntü veri seti ile gerçekleştirilen deney sonuçları önerilen yöntemin diğer denetimsiz öğrenme yöntemlerine kıyasla rekabetçi sonuçlar verdiğini göstermiştir.

Makale detayları

Unsupervised Image Hashing Using a Deep Convolutional Encoder-Decoder Model for Fast Image Retrieval

Yazarlar:

Enver Akbacak

Yayıncı:

Afyon Kocatepe University

Ana Başlıklar:

Yapay Zeka

Dergi:

Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi Vol.23 Issue 6, pp.1458-1465

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001305867

pISSN:

2149-3367

Unsupervised learning;

Deep learning;

Encoder-decoder;

Hash codes;Denetimsiz öğrenme

Derin öğrenme;

Kodlayıcı ve kod çözücü

Hash kodları

Sayı

Makale detayları

Yazarlar: Enver Akbacak

Yayıncı: Afyon Kocatepe University

Ana Başlıklar: Yapay Zeka

Dergi: Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi Vol.23 Issue 6, pp.1458-1465

Belge Tipi: Makale

Yayın Tarihi: 12/2023

Belge Dili: İngilizce

Document ID (Org No.): 2001305867

pISSN: 2149-3367

Sayı

Yazarlar:

Enver Akbacak

Yayıncı:

Afyon Kocatepe University

Ana Başlıklar:

Yapay Zeka

Dergi:

Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi Vol.23 Issue 6, pp.1458-1465

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001305867

pISSN:

2149-3367