Deep Hashing Network for Efficient Similarity Retrieval

由於儲存和檢索效率的原因，雜湊演算法被廣泛應用於大規模多媒體檢索的近似最近鄰搜尋。監督雜湊通過利用資料對的語義相似性來提高雜湊編碼的質量，近年來受到越來越多的關注。對於大多數現有的用於影像檢索的監督雜湊方法，影像首先被表示為手工製作或機器學習的特徵的向量，然後是另一個生成二進位制程式碼的單獨量化步驟。然而，可能產生次優的雜湊編碼，因為量化誤差在統計上沒有最小化，並且特徵表示與二進位制編碼不是最佳相容的。在本文中，我們提出了一種新的用於監督雜湊的深度雜湊網路(DHN)架構，在該架構中，我們共同學習適合雜湊編碼的良好影像表示，並正式控制量化誤差。DHN模型由四個關鍵部分組成:(1)具有多個卷積彙集層的子網路，用於捕獲影像表示；(2)全連線雜湊層，用於生成緊湊的二進位制雜湊碼；(3)用於相似性保持學習的成對交叉熵損失層；以及(4)用於控制雜湊質量的成對量化損失。在標準影像檢索資料集上的大量實驗表明，與最新的最先進的雜湊方法相比，所提出的DHN模型產生了顯著的提升。