【零样本哈希】Attribute hashing for zero-shot image retrieval

Motivation

1、大量新型概念出现，一方面人工标注成本高，另一方面重新训练哈希模型耗时

2、ZSH没有解决语义鸿沟问题（计算机理解的底层视觉特征和人类理解的高层语义信息的不一致）；ZSH倾向于在同质类别之间迁移监督知识（猫和狗都属于动物类），而忽视了异质类别之间的有用信息（鸟和飞机能够通过翅膀这个属性共享监督信息）

3、Attribute learning被证明能够对视觉数据很好地语义建模，鉴于属性能很好地传递语义信息这个优点，提出Attribute Hashing(AH)，它是多层哈希结构，将属性作为哈希编码和类别之间的中间层。这样，不仅能缓解语义鸿沟现象，还能在相关类别之间共享监督信息（即使是异质类别，飞机和鸟）

Contributions

1、提出attribute hashing (AH)来解决zero-shot image retrieval任务，AH能缓解语义鸿沟问题和处理训练数据（“unseen” categories）不足的问题

2、设计多层哈希结构，来建模视觉特征、哈希编码、属性、类别之间的关系。通过将属性作为中间表示层，语义信息可以从高层（label）向底层（binary codes and visual features）传递，也可以在类别之间共享语义信息

3、为了进一步保证哈希编码和哈希函数的质量，提出利用哈希编码的离散性质和局部结构信息（离散性质和相似性保持）。采用的离散优化策略可以避免实值松弛引起的累积误差

Methods

Multi-layer Hierarchy for Hashing

在哈希编码和类别之间加入属性作为中间层，而不是将哈希编码与类别之间相连进行分类。通过这种层次结构，图像可以从特征空间映射到属性空间（能够很好的捕获类别间的语义相关性）。一方面，能够通过一部分共享的属性将监督知识从已知类别迁移到未知类别。也就是说，在训练阶段，我们可以利用已知类别构建起映射关系，测试时，未知类别可以直接利用与构建好的它相关已知类别的映射关系。另一方面，多层结构能够缓解语义鸿沟。

Attribute Hashing

为了解决线性不可分问题，将X通过高斯核函数映射到高维空间