卓君宝 苏 驰 王树徽 黄庆明

1(智能信息处理重点实验室(中国科学院计算技术研究所) 北京 100190) 2(中国科学院大学计算机科学与技术学院 北京 100049) 3(数字视频编解码技术国家工程实验室(北京大学) 北京 100871)

大数据时代的到来，网络上涌现了大量的高维图像数据.图像检索越来越受到学术界和工业界的关注.随着深度学习的普及，深度散列方法[1-7]也备受关注，其性能远远超过了传统的无监督方法[8-10]和基于浅层模型的有监督方法[11-13].然而深度学习方法往往需要大量的标注信息，搜集这些标注信息往往耗费巨大人力物力.此外，大多数现有的深度学习方法都基于独立同分布的假设，即训练集(源域)和测试集(目标域)的分布一致.然而在现实应用中，源域和目标域往往存在较大的差异.因此利用有标注的数据集(源域)并迁移到相关的无标注目标域[14-19]受到极大的关注和发展.然而在图像检索领域，跨域迁移学习的研究处于起步阶段，仍待继续研究.跨域图像检索的难点在于目标域无标注且与源域存在较大域间差异，这种差异往往导致在带标注源域上训练好的模型应用于目标域时检索性能大幅度下降.如何学习具有判别力和域不变的散列码是跨域图像检索的重点.

深度适配散列(deep adaptive hashing, DAH)[20]首次将域适配的方法应用于跨域图像检索任务中，在学习散列码的同时，DAH引入最大均值差异(maximum mean discrepancy， MMD)[14-15]来度量域间差异，通过最小化MMD来学习域不变的散列码.此后迁移……