22、深度哈希学习与行人重识别中的特征表示联合学习

深度哈希学习与行人重识别中的特征表示联合学习

1. 宽松非对称深度哈希学习（Relaxed Asymmetric Deep Hashing Learning）

1.1 性能对比

在哈希学习领域，不同的方法在不同的代码长度下表现各异。以 MIRFLICKR - 25K 数据集为例，对 RADH 与其他多种方法进行了比较，具体的 MAP 得分如下表所示：
| Method | 8 - bit | 12 - bit | 16 - bit | 24 - bit | 36 - bit | 48 - bit |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| LSH | 57.14 | 57.21 | 58.25 | 59.37 | 59.62 | 59.86 |
| SpH | 59.20 | 60.71 | 60.91 | 60.97 | 61.63 | 62.43 |
| ITQ | 63.09 | 63.40 | 63.52 | 63.82 | 64.06 | 64.34 |
| DSH | 64.48 | 63.85 | 64.10 | 65.96 | 65.00 | 65.62 |
| DPSH | 73.48 | 74.68 | 75.58 | 76.01 | 76.09 | 76.05 |
| ADSH | 75.39 | 76.41 | 76.98 | 76.59 | 76.20 | 74.53 |
| DAPH | 72.79 | 74.70 | 74.30 | 74.14 | 73.81 | 73.41 |
| RADH | 75