基于高阶统计信息的深度哈希学习模型

摘要

深度哈希因其检索效率和存储代价上的优势而被广泛应用于大规模图像检索领域.为增强哈希编码的区分能力并提高检索准确率和效率,建立一种基于高阶统计信息的深度哈希学习模型BCI-DHH.采用改进的VGG-m模型分别提取输入图像基于层内的自相关特征和基于层间的互相关特征,并生成归一化的高阶统计向量.通过引入权重参数对训练样本中的正负样本数目进行平衡,提出一种基于数据平衡性的对比损失函数.在此基础上,对不相似图像对之间对应的多级索引哈希块进行差异化操作,增大不相似图像与其查询图像之间的汉明距离,优化多级哈希索引的兼容性.在基准数据集上的实验结果表明,该模型在检索准确率和效率方面优于BDH、DSH等方法.