基于点对相似度的深度非松弛哈希算法

摘要

哈希学习能够在保持数据之间语义相似性的同时,将高维数据投影到低维的二值空间中以降低数据维度实现快速检索.传统的监督型哈希学习算法主要是将手工设计特征作为模型输入,通过分类和量化生成哈希码.手工设计特征缺乏自适应性且独立于量化过程使得检索的准确率不高.本文提出了一种基于点对相似度的深度非松弛哈希算法,在卷积神经网络的输出端使用可导的软阈值函数代替常用的符号函数使准哈希码非线性接近-1或1,将网络输出的结果直接用于计算训练误差,在损失函数中使用l1范数约束准哈希码的各个哈希位接近二值编码.模型训练完成之后,在网络模型外部使用符号函数,通过符号函数量化生成低维的二值哈希码,在低维的二值空间中进行数据的存储与检索.在公开数据集上的实验表明,本文的算法能够有效地提取图像特征并准确地生成二值哈希码,且在准确率上优于其他算法.