图像检索2：KSH(Supervised Hashing with Kernels)

Supervised Hashing with Kernels

 

简单的介绍了KSH（基于核函数的监督哈希），文章还是挺不错的，PPT里面有很详细的介绍和推导，下载浏览PPT就可以对这篇 CVPR 2012 的文章有很好的了解了。我没有直接跑原作者的代码。我一般是提取作者的代码，整合放进自己的框架里面调试，调试效果还行，所以原作者 release 的代码应该没有什么问题。在我后续的博文中会有专门讲解代码的内容，到时候会有不同哈希方法的的对比实验。

 

PPT主要分以下几部分内容:

 

      1.Kernel-Based Supervised Hashing
      2.Hash Functions with Kernels
      3.Supervised Infromation
      4.Code Inner Products
      5.Greedy Optimization
      6.Spectral Relaxation
      7.Sigmoid Smoothing

 

资源获取链接：

 

1.http://download.csdn.net/detail/lilai619/8865229（PPT）

2.http://wenku.baidu.com/view/bf3f1b19daef5ef7bb0d3c53（PPT）

3.http://download.csdn.net/detail/lilai619/8920121（论文）

4.http://download.csdn.net/detail/lilai619/8920135（matlab代码）

 

部分文档预览：

 

2016/4/13更新

Tips:

之前有网友邮件咨询代码相关问题，在这里贴上当时的邮件回复内容。水平有限，欢迎大家给予指导。

 

（1）监督信息的生成

 

作者的论文中使用的数据库是由相片分割成patches组成，每个patch的label是这个patch属于那个相片。对于文章中定义的相似度矩阵S（或者其他叫法）,文章中有详细的介绍，不过代码实现的时候，忽略了s=0的场景，主要是这个数据库不是多标签数据库（比如NUS-WIDE），当然，也可以理解为距离上处在近邻和非近邻分解点上的一些数据。更深层次的原因是，能让代码实现起来更加简单。。。。

 

% pairwise label matrix

trngnd = traingnd(label_index');

temp = repmat(trngnd,1,trn)-repmat(trngnd',trn,1);

S0 = -ones(trn,trn);

tep = find(temp == 0);

S0(tep) = 1;

 

这部分代码，应该没什么问题吧，很简单，如果训练样本的groundtruth相同，则置1，否则置0，结合我PPT里面的那个图，很好理解。

 

（2）traingnd数据和标记的2000个数据的index之间有什么关联呢

 

a.先介绍代码中的一些数据：

9119：论文中对应为n;

300:论文中对应为m；

2000:论文中对应为l；

48:论文中对应为r.

b.为什么选2000而不是9119：

b1:这个也是机器学习中常采用的策略，针对大数据时代，不可能所有的样本都丢进去训练模型，选择适量的数据训练，可以减少时间和空间复杂度，作者这里仅仅是示例性质罢了，当然你全部丢进去，也是可行的。。。

b2:作者在论文中没有证明KSH的鲁棒性：针对训练数据之外的数据的延展性，这个模型还能不能适应？

不过你可以发现，在paper中cifar10数据库，作者是每个类都有挑选训练数据构建L,所以实质上挑选的数据已经能很好的“表示”对应类中没有使用的样本。也就是说，KSH还是鲁棒性不错的（至少从PR曲线，mAP等方面）。