哈希学习算法之二：基于hash的ANN框架

在上一节了解了ANN的背景，简单介绍了hash的算法，那基于hash的ANN框架是怎样的呢？

框架图

框架说明

基于hash的ANN主要有四个步骤，包括特征提取、hash编码（学习+编码）、汉明距离排序、重排序。

1、特征提取
有查询图像和图像数据库，需要对这两类分别处理，对查询图像和数据库中的图像逐一提取有用的特征，把文件名和特征一一对应的添加到特征库中。

2、hash编码（学习+编码）
特征提取后的维数有很多，需要对其进行压缩再匹配，这是hash编码的意义。hash编码自然要使用hash函数，在大规模高维数据下，hash函数使用hash学习的方法获得，则该部分内容分为hash学习和hash编码阶段。Hash学习阶段，可将特征库分为训练集和测试集，评估测试hash函数。正式的编码阶段，将特征库的每个特征点代入到hash函数中，得到hash编码。

3、汉明距离排序
在获得hash编码之后，经过汉明距离排序，就可以完成粗查找，得到粗查找之后的候选列表。对查询图像的hash码和编码之后的特征库hash码比对距离（这里使用汉明距离），按照从小到大的方式相似性排序，可以获得指定个数的候选点或者距离在某一范围内的n个候选点。

4、重排序
粗查找之后获得的n个候选点，在原始特征空间上，根据相似性重排序（这里采用欧式距离），返回最后的候选列表。

注意

以上步骤中，哈希学习算法在第二步哈希编码中应用，哈希过程可视为一个筛选样本和粗查找的过程，则评价哈希算法的好坏限于该过程，不包括重排序阶段。
ANN中是包括这一步的。

参考链接：https://www.jianshu.com/p/82a14f1aa453