Supervised Learning of Semantics-Preserving Hash via Deep Convolutional Neural Networks-基于深度卷积神经网络的语

一.论文中比较的数据集

二.各种数据集的比较

CIFAR-10：训练集50000，测试集10000，从测试集中随机抽取1000样本作为性能评估的查询集，每个类100个样本。

NUS-WIDE：270,000个图像的数据集。每个图像属于从81个概念标签中取出的多个类别。NUS-WIDE网站仅提供图像的URL，并且根据给定的链接，能够收集大约230,000张图像，因为其他图像已被所有者删除。我们在评估中使用21个最常见标签中的图像，每个标签至少有5,000个图像。图像被分成97,214个图像的训练集和65,075个图像的测试集。训练集用于网络训练，从测试集中随机采样每个标签100个图像以形成2,100个图像的查询集。

MNIST：训练集60000，测试集10000.

SUN397：大型场景数据集，由397个类别中的108754张图片组成，每个类别至少包含100张图片。随机选择8000张图像作为查询集，将剩余的100754作为训练集。

UT-ZAP50K ：50025张图像。该数据集是为购物任务的细粒度视觉比较而创建的。要在检索任务中使用它。我们随机选择8000张图像，每类1000张作为测试集，并使用剩余的图像（42025）进行训练。

Yahoo-1M：包含从雅虎购物网站收集的1124086个产品图片。总共有116个类。每个类的图像数量差别很大，从1007到150211不等。为了将数据集分成两组，我们从每个类中选择90％的图像作为训练样本，其余10％作为测试样本。因此，整个数据集被划分为1011723个图像的训练集和112363个图像的测试集。

ILSVRC2012：是ImageNet大规模视觉识别挑战的数据集。它有1000个对象类，大约120万个训练图像，50000个验证图像和100000个测试图像。使用训练集进行网络学习，并在评估中使用验证集作为查询。

Paris：是图像检索的标准基准。它包括6412张巴黎地标图像。检索算法的性能是基于55个查询的mAP来计算的。

Oxford：是另一种广泛使用的图像检索基准。它包含5062张图像，对应11个牛津地标。与巴黎一样，55个查询（每个地标5个）用于评估。

三.数据集的处理

首先将图片归一化，缩放到256*256大小，然后将居中裁剪成227*227作为AlexNet的输入或者224*224作为VGG的输入。

四.评价指标

• 平均精度（mAP）：根据查询的汉明距离对所有的图像进行排序，并计算mAP；
• k个样本的精度：计算前k个检索图像中真实样本所占比。
• 汉明半径r内的精度：计算在查询图像的汉明距离r内的精度，先前他人的实验中，将r设置为2。

五.性能比较

CIFAR-10：网络的损失函数由E1（标签误差）、E2（二值化约束）和E3（相等稀疏）组成。α、β、γ分别为这三个损失的权重。这3个权重的取值为{2^0,2^1,2^2,2^3 }，经过对比选择α、β、γ的权重组合为{1,1,1}。

同时也探究了L1损失和L2损失对性能的影响。

发现p1和p2对分类的影响相同，后面实验都是使用p2。

SUN397：