顾 岩,赵崇宇,黄 平

(太原理工大学 物理与光电工程学院,山西 晋中 030600)

0 概述

面向大规模图像的近似最近邻(Approximate Nearest Neighbor,ANN)检索方法已经成为学术界和工业界的研究热点之一[1-2],哈希方法由于其特有的高查询速度和低存储代价而被广泛应用于ANN检索领域。现有的哈希学习方法大致可以分为两类,即数据独立哈希和数据相关哈希[3-4]。其中,数据独立哈希在训练过程中通常不依赖任何数据集,其采用随机映射的方式进行哈希映射函数的学习,而数据相关哈希通过训练数据集以学习哈希函数,因此其又被称为学习哈希(Learning to Hash,L2H)[5]。根据是否利用训练样本的监督信息,学习哈希又可以进一步分为监督哈希、半监督哈希和无监督哈希[6-8]。传统的学习哈希由于输入的手动特征在表达深层语义信息方面的局限性,导致其哈希检索的性能受限。随着深度神经网络技术的深入研究,许多研究人员采用卷积神经网络(Convolutional Neural Networks,CNN)等模型对特征进行自动提取,并提出了较多基于深度学习的哈希方法,大幅提高了哈希检索的性能[9]。文献[10]利用CNN自动提取图像的深层语义特征,并在此基础上采用坐标下降方法对相似矩阵进行分解,但是该学习过程是基于两阶段的,难以进行端到端的训练。文献[11]采用三元组思想设计一种优化的排序损失函数,并将特征学习和哈希学习处于同一框架下,以对模型进行端到端的训练。文献[12]采用对比损失的方式来优化哈希学习过程,提高了哈希检索的性能。……