Milvus(@milvusio)
We tested how hyperbolic embeddings change image search rankings. First, we compared Hyper3-CLIP V1...
8.5内容质量

TL;DR · AI 摘要
Hyper3-CLIP V1在描述性图像搜索中优于OpenAI CLIP,但广义类别搜索中余弦方法更优。
核心要点
- Hyper3-CLIP V1分类准确率比OpenAI CLIP提升0.92%
- Lorentz几何在广义搜索中比余弦方法低2.2平均精度点
- Milvus支持双曲嵌入的超球面排序
结构提纲
按章节快速跳转。
- §实验目标
验证双曲嵌入对图像搜索排名的影响
- ·模型对比
Hyper3-CLIP V1与OpenAI CLIP在ImageNet数据集上的性能对比
Lorentz与余弦相似度在分类准确率和搜索精度上的差异
描述性搜索与广义类别搜索的性能分化
- ›技术实现
Milvus通过标准内积索引支持双曲排名
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- 双曲嵌入在图像搜索中的影响
- 实验方法
- Lorentz vs 余弦对比
- ImageNet/COCO数据集
- 性能表现
- 分类准确率提升
- 搜索精度分化
- 应用建议
- 描述性搜索适用V1
- 广义搜索需自定义评估
金句 / Highlights
值得收藏与分享的关键句。
Lorentz将V1分类准确率从50.14%提升至51.06%
CLIP在广义搜索中领先V1 6.4平均精度点
COCO测试中V1在三个概念搜索中优于CLIP
#图像搜索#双曲嵌入#Milvus#CLIP#向量数据库
打开原文Milvus on X: "我们测试了双曲嵌入如何改变图像搜索排名。首先,我们将Hyper3-CLIP V1与OpenAI CLIP进行对比。然后我们使用Lorentz(完整双曲几何)和余弦(仅方向)对相同的V1嵌入进行评分,以隔离几何的影响。在50,000张ImageNet验证图像上,Lorentz将V1的分类准确率从𝟱𝟬.𝟭𝟰%提升至𝟱𝟭.𝟬𝟲%。但在包括“bird”在内的132个广泛类别搜索中,其平均精度点比余弦低𝟮.𝟮。其剩余的分类错误也没有更接近正确类别。与CLIP相比,V1在根据描述性标题找到正确图像以及区分“a dog on a sofa”和“a sofa on a dog”方面表现更好。在我们的ImageNet广泛类别搜索中,CLIP以6.4平均精度点领先,其中稀有分类术语是差距的主要原因。在涵盖三个广泛概念的较小COCO测试中,V1反而表现更优。我们的结论:当用户使用描述性标题搜索图像时,Hyper3-CLIP V1值得尝试。对于广泛类别搜索,评估用户实际输入的词汇,并在自己的数据上比较Lorentz与余弦。Milvus可以通过标准内积索引运行双曲排序。阅读完整实验:
milvus.io/blog/what-hype…
3:05 PM · Nov 2, 2026
·
228
Views
1