Deep Hashing Network for Efficient Similarity Retrieval

由于存储和检索效率的原因，哈希算法被广泛应用于大规模多媒体检索的近似最近邻搜索。监督哈希通过利用数据对的语义相似性来提高哈希编码的质量，近年来受到越来越多的关注。对于大多数现有的用于图像检索的监督散列方法，图像首先被表示为手工制作或机器学习的特征的向量，然后是另一个生成二进制代码的单独量化步骤。然而，可能产生次优的散列编码，因为量化误差在统计上没有最小化，并且特征表示与二进制编码不是最佳兼容的。在本文中，我们提出了一种新的用于监督哈希的深度哈希网络(DHN)架构，在该架构中，我们共同学习适合哈希编码的良好图像表示，并正式控制量化误差。DHN模型由四个关键部分组成:(1)具有多个卷积汇集层的子网络，用于捕获图像表示；(2)全连接散列层，用于生成紧凑的二进制散列码；(3)用于相似性保持学习的成对交叉熵损失层；以及(4)用于控制散列质量的成对量化损失。在标准图像检索数据集上的大量实验表明，与最新的最先进的散列方法相比，所提出的DHN模型产生了显著的提升。