龙显忠 程成 李云

摘   要：已有的深度监督哈希方法不能有效地利用提取到的卷积特征，同时，也忽视了数据对之间相似性信息分布对于哈希网络的作用，最终导致学到的哈希编码之间的区分性不足. 为了解决该问题，提出了一种新颖的深度监督哈希方法，称之为深度优先局部聚合哈希（Deep Priority Local Aggregated Hashing，DPLAH）. DPLAH将局部聚合描述子向量嵌入到哈希网络中，提高网络对同类数据的表达能力，并且通过在数据对之间施加不同权重，从而减少相似性信息分布倾斜对哈希网络的影响. 利用Pytorch深度框架进行DPLAH实验，使用NetVLAD层对Resnet18网络模型输出的卷积特征进行聚合，将聚合得到的特征进行哈希编码学习. 在CIFAR-10和NUS-WIDE数据集上的图像检索实验表明，与使用手工特征和卷积神经网络特征的非深度哈希学习算法的最好结果相比，DPLAH的平均准确率均值要高出11%，同时，DPLAH的平均准确率均值比非对称深度监督哈希方法高出2%.

关键词：深度哈希学习;卷积神经网络;图像检索;局部聚合描述子向量

中图分类号：TP391.4                         文献标志码：A

Deep Priority Local Aggregated Hashing

LONG Xianzhong1，2?，CHENG Cheng1，2 ，LI Yun1，2

（1. School of Computer Science & Technology，Nanjing University of Posts and Telecommunications，Nanjing 210023，China;

2. Key Laboratory of Jiangsu Big Data Security and Intelligent Processing，Nanjing 210023，China）

Abstract：The existing deep supervised hashing methods  cannot effectively utilize the extracted convolution features， but also ignore the role of the similarity information distribution between data pairs on the hash network， resulting in insufficient discrimination between the learned hash codes. In order to solve this problem， a novel deep supervised hashing method called deep priority locally aggregated hashing （DPLAH） is proposed in this paper， which embeds the vector of locally aggregated descriptors （VLAD） into the hash network， so as to improve the ability of the hash network to express the similar data， and reduce the impact of similarity distribution skew on the hash network by imposing different weights on the data pairs. DPLAH experiment is carried out by using the Pytorch deep framework. The convolution features of the Resnet18 network model output are aggregated by using the NetVLAD layer， and the hash coding is learned by using the aggregated features. The image retrieval experiments on the CIFAR-10 and NUS-WIDE datasets show that the mean average precision （MAP） of DPLAH is 11 percentage points higher than that of non-deep hash learning algorithms using manual features and convolution neural network features， and the MAP of DPLAH is 2 percentage points higher than that of asymmetric deep supervised hashing method.

Key words：deep Hash learning;convolutional neural network;image retrieval;vector of locally aggregated descriptors（VLAD）

隨着信息检索技术的不断发展和完善，如今人们可以利用互联网轻易获取感兴趣的数据内容，然而，信息技术的发展同时导致了数据规模的迅猛增长. 面对海量的数据以及超大规模的数据集，利用最近邻搜索[1]（Nearest Neighbor Search，NN）的检索技术已经无法获得理想的检索效果与可接受的检索时间. 因此，近年来，近似最近邻搜索[2]（Approximate Nearest Neighbor Search，ANN）变得越来越流行，它通过搜索可能相似的几个数据而不……