15、深度协作图哈希：原理、训练与实验分析

深度协作图哈希：原理、训练与实验分析

1. 深度协作图哈希概述

深度协作图哈希将视觉特征提取、语义编码以及重建图二进制码学习整合到一个统一的学习框架中。其目标函数可表示为：
$R = R_1 + \alpha R_2 + \beta (R_3 + R_4)$ (6.8)
在该方法中，潜在视觉语义、重构语义和交互结构语义能同时保存在优化后的哈希码中，用于大规模图像检索。同时采用分段分类、成对逼近和重构语义等交互和多级学习范式。

2. 训练策略

最终目标函数 (6.8) 包含三个整体编码网络：
- 视觉表示学习网络 $R_1$
- 语义二进制编码网络 $R_2$
- 由 $(R_3 + R_4)$ 组成的潜在图二进制嵌入网络

具体优化过程采用迭代学习方式，即 $R_1 \to R_1 \to {R_3 + R_4}$，涉及二进制码 $B^ $（$ = v, l, g$）和网络参数 $\theta^ $（$ = v, l, e, d, g$）。训练过程中，最终的 $B$ 设置为 $B = sgn(H_v + \alpha H_l + \beta H_g)$，每个编码网络分支只有一个最优二进制表示 $B$。主要优化过程包括网络参数更新和二进制码学习。

2.1 网络参数更新

对于网络参数 $\theta^*$，采用交替优化策略，即固定其他参数时更新一个参数。具体使用基于 PyTorch 的随机梯度下降（SGD）和反向传播（BP）算法进行网络自动优化。

2.2 二进制码学习

由于具有离散约