Discrete Latent Factor Model for Cross-Modal Hashing

Discrete Latent Factor Model for Cross-Modal Hashing

解决问题：在跨模态哈希检索任务中，在精度和训练速度上都有很好的结果

主要思想：本文采取的是传统方法DLFH,KDLH。

Full learning Algorithm:一般情况下，对于数据向量标签形成的相似矩阵S，全部用于损失计算，及U,V的更新。

Stochastic Learning Strategy：本文实验取S的m行来参与U,V更新，减少了计算成本。

Out-of-Sample Extension，训练样本生成二进制编码，本文主要采用线性分类器和核逻辑回归非线性分类器。

创新点：本文与cvpr2017同作者Deep Cross-Modal Hashing这篇相比较，后者采用深度学习的方法去学习特征向量；前者采用传统的方法，在训练速度上更快，精度更高。

后者在数据上是直接得到hash码。