14、深度协作图哈希：高效大规模图像检索新方法

深度协作图哈希：高效大规模图像检索新方法

1. 引言

在当今时代，高维大数据的爆炸式增长既对信息系统的有效性构成了挑战，也为大规模数据的计算和处理带来了巨大潜力。其中，近似最近邻（ANN）在多媒体、计算机视觉和机器学习等领域引起了越来越多的研究关注。由于哈希技术在存储和计算方面具有高效性，它已成为快速相似性搜索、聚类、推荐等领域的热门话题。

在图像检索领域，学习哈希模型以生成依赖于数据的哈希码进行快速图像检索，其性能优于那些与数据无关的哈希方法，如局部敏感哈希。哈希技术在大规模多媒体数据集的高效相似性搜索中表现出了很大的潜力。目前，哈希研究主要解决两个问题：判别性表示学习和从实值特征到离散哈希码的语义鸿沟弥合。根据语义标签或相关反馈的使用情况，现有的哈希方法大致可分为无监督哈希和有监督哈希模型。在大多数情况下，有监督哈希凭借监督语义，能实现比无监督哈希更好的图像检索性能。

受深度学习成功的启发，深度学习哈希（也称为深度哈希）方法表明，深度神经网络可以实现特征表示学习和哈希码学习的端到端处理。深度神经网络可以作为非线性哈希函数进行鲁棒的表示学习，与传统哈希方法不同，深度哈希进一步验证了这种联合学习框架在表示学习和哈希码生成之间的有效性。数据驱动的深度表示学习也有助于大规模图像检索中语义保留哈希码的学习，因此，这些深度有监督哈希方法相比浅层哈希算法能实现更先进的图像检索性能。

然而，深度有监督哈希仍然面临一些挑战，其性能仍远未达到令人满意的程度。现有的深度哈希方法通常使用分段标签进行分类，或利用样本之间的成对或多对相似性来保留相似性。但使用固定语义生成哈希码在语义利用上缺乏足够的灵活性，直接限制了特征学习过程中语义转移的表示能力。此外，传统的深度哈希架构仅使用单流