Dynamic Multi-View Hashing for Online Image Retrieval

摘要

现有的在线哈希方法主要应用于单视角的数据。

所以我们提出了动态多视角哈希方法，

它有四大特点：

1，可以根据图片的动态变化适应性地增加哈希码的长度。

2，当现有的编码不能表示新的图片的时候，可以增加哈希码的长度。

3，每一个视角都被赋予了一个权重，并且可以通过在线学习的过程有效地更新。

4，一个巧妙的缓冲区策略可以保存重要的数据，来保持DMVH的有效性。

DMVH两大重要贡献

现有模型的两个缺点：

1，现有的在线学习策略学习固定长度的哈希码。

2，现有的在线学习策略没有为不同的视角估计最优的权重。

所以我们有两大贡献：

1，当新的图片插入到数据集的时候，哈希码的长度可以灵活地增长。

2，我们还可以为不同的视角估计合适的权重。

提出方法

• 说明我们的变量：

输入的多视角数据：             

生成的哈希码数据：              

生成的字典：

• 总体公式：

      

• 在线学习公式：

        ............................................................(1)

这个公式可以转化成：

                

其中，    

注意，这个是这一个插入的数据与字典中所有数据的内积，表示这一个插入的数据。

通过求导为0，可以得到  的公式：

                                              

其中，                  

将  带入到(1)中，可以得到：

             

• 动态字典更新与缓冲区策略：

如果前 t-1 个数据生成的字典为，那么第t个数据用这个字典表示的损失函数为：

缓冲区策略：如果这个损失函数过大，说明这个字典不能表示第t个数据（也就是字典与这个向量线性无关）：.

这时就把这第t个数据存到缓冲区里面，继续下一个数据。这时如果缓冲区满了，就从里面选择拥有最大损失的样本b，然后删除

缓冲区内一半的数据。

怎么处理选出的样本b呢？就把它加到字典里面：

                                                .

总体的损失函数就可以表示为：

                     .......................................................（2）

注意，这里的  表示加入b之后的字典，如果我们把让 ，那么整个式子就变为

                  

其中扩展字典后，变量的变化如下：

                                      

其中， 就是扩充的那一个数据对原字典中的每一个向量做内积， 就是扩充的那一个数据与自己做内积。

是 t-1 个数据中的每一个都与字典做内积，后面加上  的意义就是再加上这t-1个元素再与这个加入字典的

数据做内积。

两个定理

• 引理一

如果 ，则下列的式子成立：

证明：

             

同理，

                                         

• 定理一

目标函数的值将会下降，如果我们设置，并且

证明：已知  ，

是满足的，如果 .

而通常的损失都很高，即.

最终我们就有 ，其中后一项式子是包括b样本的。

对于α的优化

对式子2采用拉格朗日乘子，就可以得到：

                            

其中，

检索策略

对于图片查询，生成的哈希码可以定义为:

             

对于文本查询，生成的哈希码可以定义为：

                      

算法框架