摘要
现有的跨模态哈希方法主要分为两类:
一类是基于松弛连续化的策略。另一类就是离散化的策略。
松弛离散化策略往往训练得更快,但是精度要低一些。
离散化策略往往训练得更慢,但是精度要高很多。
本文的DLFH就是一种离散化的策略。
提出算法
我们分别视U和V是离散的图片和文本的矩阵。那么根据DCMH
的那种损失,可以构造相似度矩阵,得到损失函数。
学习策略
如果我们简单地翻转每个元素的符号来学习U,总时间复杂度将是,
这是非常高的。如果我们每次只优化一列,那么时间复杂度会降低为,
这里我们采用了一种代理策略来学习每一列,那么时间复杂度就降低为.
什么是代理策略呢?就是我们可以求损失函数的下限,然后努力使这个下限
最大,这样也可以达到优化的目的。
这样我们就可以建立L的一个下限(根据泰勒公式),并且最大化这个下限:
以下就是损失函数值的下限:
这样就可以得到最优的U了。
同理我们也可以得到最优的V.
时间复杂度再次降低为O(mn)
我们在每次迭代中随机抽样S的m列(行),然后我们可以用以下的方式更新
这样就能够实现时间复杂度的再次降低。