Natural Supervised Hashing

Natural Supervised Hashing

IJCAI 2016

要点：

• 将标签向量视为二进制码，并学习与标签向量结构相似的目标码。
• 为了避免对大型n⇥n Gram矩阵的直接优化，确定了一种内积保持变换，并使用它在不改变结构的情况下获得接近的标签向量和哈希码。
• 为最终目标提出了交替优化方法，每一步都有一个解析解。训练过程非常快，规模也很好。

目标函数：

• 优化目标：使目标码和标签向量尽可能近。
  目标函数：
  
  引入矩阵R，
  
  将显式的YY(T)与XP(XP)T的距离转换为隐式的Y与（XP）的距离
  
  迭代优化P和R
• 核化
  从训练集随机取m个锚点，使用RBF核，将原始数据x转换到k(x),核化后的数据矩阵为K，φ（XP）被φ（KP)取代

测评

• 数据集：
  NUS-WIDE（每个样本平均1.87个标签）
  IAPRTC12（291个标签 每个样本平均5.72个标签）
  ESPGAME （268个标签 每个样本平均4.69个标签）
  MIRFLICKR25K（38个标签 平均每个样本4.72个标签）

• 特征：
  对监督哈希的数据都进行了核化

• 指标：
  汉明排序与哈希查找

• 对比算法：
  原始特征的直接线性搜索L2
  SVM
  SDH
  LSH
  PCA_ITQ
  BREs
  KSH
  CCA_ITQ

• 实验内容：
  在NUS-WIDE数据集上，NSH的训练时间显著少于BREs，KSH；NSH的mAP、precision和recall最优
  在LAPRTC12和ESPGAME数据集上，NSH的mAP最高
  在MIRFLICKR25K数据集上，（至少3个标签相同才认为相似，上面两个都是1个标签相同就认为相似）NSH的mAP、precision和recall最优