图像检索哈希算法的发展史,标注年份

时间: 2024-05-24 19:04:34 浏览: 12
1. 1992年:最早的哈希算法:局部敏感哈希(LSH)。 2. 2006年:随机哈希(Random Hashing)。 3. 2008年:谱哈希(Spectral Hashing)和二进制编码哈希(Binary Code Hashing)。 4. 2009年:K均值哈希(K-means Hashing)。 5. 2010年:多哈希学习(Multi-Hash Learning)。 6. 2011年:主成分分析哈希(Principal Component Analysis Hashing)和信息瓶颈哈希(Information Bottleneck Hashing)。 7. 2013年:深度哈希(Deep Hashing)。 8. 2015年:卷积神经网络哈希(Convolutional Neural Network Hashing)。 9. 2016年:生成对抗网络哈希(Generative Adversarial Network Hashing)和基于最大内积优化的哈希(Maximal Inner Product Hashing)。 10. 2017年:量化哈希(Quantization Hashing)。 11. 2018年:自适应哈希(Adaptive Hashing)和带有注意力机制的哈希(Attention-based Hashing)。 12. 2019年:深度学习哈希(Deep Learning Hashing)和跨域哈希(Cross-Modal Hashing)。 需要注意的是,这里只列出了一部分比较重要的哈希算法,其他一些哈希算法的发展时间可能会有所不同。
相关问题

图像检索哈希算法的发展史,标注年份

图像哈希算法的发展可以追溯到上世纪90年代,以下是一些关键的发展历程和标注年份: 1. 1992年,基于小波变换的哈希方法被提出。 2. 1996年,基于主成分分析的哈希方法被提出。 3. 2002年,基于感知哈希的哈希方法被提出。 4. 2006年,基于局部不变特征的哈希方法被提出。 5. 2010年,基于稀疏编码的哈希方法被提出。 6. 2011年,基于深度学习的哈希方法开始出现,如基于卷积神经网络的哈希方法。 7. 2014年,Google提出的SimHash算法在图像哈希领域得到广泛应用。 8. 2015年,Facebook提出的DeepHash算法在图像哈希领域取得了很好的效果。 9. 2016年,基于对抗生成网络(GAN)的哈希方法被提出。 10. 2020年,基于自监督学习的哈希方法被提出,进一步提高了图像哈希的效果。

图像检索哈希算法的发展史,标注年限

哈希算法在图像检索中的应用可以追溯到20世纪80年代,但是直到近年来,随着深度学习和神经网络的兴起,哈希算法在图像检索中的应用才逐渐得到了广泛的关注和应用。以下是哈希算法在图像检索中的发展史及标注年限: 1. 传统哈希算法:包括局部敏感哈希(LSH)和哈希编码算法(Hashing)等。这些算法主要用于处理低维数据,如文本和稀疏数据。标注年限:20世纪80年代至21世纪初。 2. 基于深度学习的哈希算法:这些算法利用深度神经网络学习图像的特征表示,并将其转换为二进制码。这些算法包括深度哈希(DHash)、卷积神经网络哈希(CNNHash)和三元组神经网络哈希(TripletNetHash)等。标注年限:2014年至今。 3. 基于生成对抗网络的哈希算法:这些算法利用生成对抗网络(GAN)学习图像的特征表示,并将其转换为二进制码。这些算法包括生成对抗哈希(GANHash)和对抗性哈希(AdvHash)等。标注年限:2017年至今。 4. 基于自监督学习的哈希算法:这些算法利用自监督学习方法学习图像的特征表示,并将其转换为二进制码。这些算法包括自监督哈希(Self-Supervised Hashing)和自监督对抗哈希(Self-Supervised AdvHash)等。标注年限:2018年至今。

相关推荐

最新推荐

recommend-type

python 密码学示例——理解哈希(Hash)算法

主要介绍了哈希(Hash)算法的相关资料,帮助大家更好的利用python处理密码,感兴趣的朋友可以了解下
recommend-type

基于模糊哈希的恶意代码检测系统(附源代码)

随着计算机网络技术的发展,恶意代码的问题也越来越严峻,对于现有的恶意代码产生的变体(包括在多处修改、增加、删除部分内容),使用模糊哈希均能发现与源文件的相似关系,是目前判断相似性,检测恶意代码较好的一...
recommend-type

常用Hash算法(C语言的简单实现)

下面小编就为大家带来一篇常用Hash算法(C语言的简单实现)。小编觉得挺不错的,现在就分享给大家,也给大家做个参考。一起跟随小编过来看看吧
recommend-type

主流字符串哈希算法简明介绍及实例代码

本文介绍了目前主流的一些字符串哈希算法,能够对开发过程中的一些针对字符串的哈希结构有指导作用
recommend-type

国内移动端APP月活跃(MAU)Top5000 数据整理

国内移动端APP月活跃(MAU)Top5000 时间范围:2020年-2022年 具有一定参考价值 csv格式
recommend-type

藏经阁-应用多活技术白皮书-40.pdf

本资源是一份关于“应用多活技术”的专业白皮书,深入探讨了在云计算环境下,企业如何应对灾难恢复和容灾需求。它首先阐述了在数字化转型过程中,容灾已成为企业上云和使用云服务的基本要求,以保障业务连续性和数据安全性。随着云计算的普及,灾备容灾虽然曾经是关键策略,但其主要依赖于数据级别的备份和恢复,存在数据延迟恢复、高成本以及扩展性受限等问题。 应用多活(Application High Availability,简称AH)作为一种以应用为中心的云原生容灾架构,被提出以克服传统灾备的局限。它强调的是业务逻辑层面的冗余和一致性,能在面对各种故障时提供快速切换,确保服务不间断。白皮书中详细介绍了应用多活的概念,包括其优势,如提高业务连续性、降低风险、减少停机时间等。 阿里巴巴作为全球领先的科技公司,分享了其在应用多活技术上的实践历程,从早期集团阶段到云化阶段的演进,展示了企业在实际操作中的策略和经验。白皮书还涵盖了不同场景下的应用多活架构,如同城、异地以及混合云环境,深入剖析了相关的技术实现、设计标准和解决方案。 技术分析部分,详细解析了应用多活所涉及的技术课题,如解决的技术问题、当前的研究状况,以及如何设计满足高可用性的系统。此外,从应用层的接入网关、微服务组件和消息组件,到数据层和云平台层面的技术原理,都进行了详尽的阐述。 管理策略方面,讨论了应用多活的投入产出比,如何平衡成本和收益,以及如何通过能力保鲜保持系统的高效运行。实践案例部分列举了不同行业的成功应用案例,以便读者了解实际应用场景的效果。 最后,白皮书展望了未来趋势,如混合云多活的重要性、应用多活作为云原生容灾新标准的地位、分布式云和AIOps对多活的推动,以及在多云多核心架构中的应用。附录则提供了必要的名词术语解释,帮助读者更好地理解全文内容。 这份白皮书为企业提供了全面而深入的应用多活技术指南,对于任何寻求在云计算时代提升业务韧性的组织来说,都是宝贵的参考资源。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

MATLAB矩阵方程求解与机器学习:在机器学习算法中的应用

![matlab求解矩阵方程](https://img-blog.csdnimg.cn/041ee8c2bfa4457c985aa94731668d73.png) # 1. MATLAB矩阵方程求解基础** MATLAB中矩阵方程求解是解决线性方程组和矩阵方程的关键技术。本文将介绍MATLAB矩阵方程求解的基础知识,包括矩阵方程的定义、求解方法和MATLAB中常用的求解函数。 矩阵方程一般形式为Ax=b,其中A为系数矩阵,x为未知数向量,b为常数向量。求解矩阵方程的过程就是求解x的值。MATLAB提供了多种求解矩阵方程的函数,如solve、inv和lu等。这些函数基于不同的算法,如LU分解
recommend-type

触发el-menu-item事件获取的event对象

触发`el-menu-item`事件时,会自动传入一个`event`对象作为参数,你可以通过该对象获取触发事件的具体信息,例如触发的元素、鼠标位置、键盘按键等。具体可以通过以下方式获取该对象的属性: 1. `event.target`:获取触发事件的目标元素,即`el-menu-item`元素本身。 2. `event.currentTarget`:获取绑定事件的元素,即包含`el-menu-item`元素的`el-menu`组件。 3. `event.key`:获取触发事件时按下的键盘按键。 4. `event.clientX`和`event.clientY`:获取触发事件时鼠标的横纵坐标
recommend-type

藏经阁-阿里云计算巢加速器:让优秀的软件生于云、长于云-90.pdf

阿里云计算巢加速器是阿里云在2022年8月飞天技术峰会上推出的一项重要举措,旨在支持和服务于企业服务领域的创新企业。通过这个平台,阿里云致力于构建一个开放的生态系统,帮助软件企业实现从云端诞生并持续成长,增强其竞争力。该加速器的核心价值在于提供1对1的技术专家支持,确保ISV(独立软件供应商)合作伙伴能获得与阿里云产品同等的技术能力,从而保障用户体验的一致性。此外,入选的ISV还将享有快速在钉钉和云市场上线的绿色通道,以及与行业客户和投资机构的对接机会,以加速业务发展。 活动期间,包括百奥利盟、极智嘉、EMQ、KodeRover、MemVerge等30家企业成为首批计算巢加速器成员,与阿里云、钉钉以及投资界专家共同探讨了技术进步、产品融合、战略规划和资本市场的关键议题。通过这次合作,企业可以借助阿里云的丰富资源和深厚技术实力,应对数字化转型中的挑战,比如精准医疗中的数据处理加速、物流智慧化的升级、数字孪生的普及和云原生图数据库的构建。 阿里云计算巢加速器不仅是一个技术支持平台,也是企业成长的催化剂。它通过举办类似2023年2月的集结活动,展示了如何通过云计算生态的力量,帮助企业在激烈的竞争中找到自己的定位,实现可持续发展。参与其中的优秀企业如神策和ONES等,都在这个平台上得到了加速和赋能,共同推动了企业服务领域的创新与进步。总结来说,阿里云计算巢加速器是一个集技术、资源和生态支持于一体的全方位服务平台,旨在帮助企业软件产业在云端绽放光彩。