范业嘉，孙 涵

(南京航空航天大学 计算机科学与技术学院 模式分析与机器智能工业和信息化部重点实验室，

0 引 言

随着大数据时代的到来，对数据的有效存储和快速检索已经成为一个重要的研究课题。近年来，随着卷积神经网络在计算机视觉领域的成功应用，深度哈希方法利用端到端框架相互学习特征表示和哈希码，与传统的哈希方法相比，具有更好的检索性能。哈希的主要工作是将高维的原始数据转换为低维的二进制码，并使相似数据的哈希码之间的汉明距离小于异类数据哈希码之间的汉明距离。因此，哈希方法在保证检索精度的基础上，比其他检索方法提供更高的计算效率和更低的存储量。

但是，现有的深度哈希方法仍然有两个缺点：(1)现存的深度哈希方法大多是基于复杂的卷积神经网络。从AlexNet[1]到VGGNet[2]，虽然识别精度不断上升，但是模型越来越大，计算速率越来越慢。(2)大多数现有的深度哈希方法使用的损失函数具有很高的时间复杂度。这些方法为了保留原始数据空间的相似性，都采用了适当的损失函数，比如成对相似性保留损失或三元组排序损失。然而，对于n个数据点，这些方法的时间复杂度是O(n!)，这表明遍历所有数据计算损失是不切实际的。

为了解决上述问题，文中提出了基于轻量级深度哈希网络的细粒度图像检索算法。图1展示了文中模型的体系结构，其中主要分为三个部分：特征提取器、哈希编码层和分类层。……