【零样本哈希】Zero-shot Hashing with orthogonal projection for image retrieval

Motivation

1、传统的监督哈希方法通常要求查询数据和训练数据具有相同的分布，这意味着查询数据的类别应该出现在训练类别中。然而，随着网络数据的爆炸式增长，新概念的图像正在迅速出现，为新出现的语义类别标记足够的训练数据是昂贵的，而且当新概念出现时对哈希函数进行重新训练是不现实的。Zero-shot Hashing可以对已知类别的样本进行训练，并迁移到到未知类别的测试数据上应用。

2、SitNet通过CNN提取图像特征，再结合center loss 和 max-margin loss的多任务结构来进行哈希学习，然而，在SitNet中，center loss 和 max-margin loss在扩大类间距离方面发挥着相似的作用。此外，由于哈希编码长度的限制，max-margin loss也存在一些问题，它可能使一些类别之间具有较大的距离，而另一些类别之间具有很小的距离，这往往导致区别能力不强。

Contributions

1 、提出了一种基于正交投影的方法来解决Zero-shot Hashing问题

2、 该方法将图像特征和类别词向量都投影到正交的哈希空间中，如果它们属于不同的类别，则要求它们彼此正交，否则相同。该约束可以保证不同类别的哈希编码具有相同的汉明距离（编码长度的一半）。正交约束优于max-margin loss，因为它可以在有限编码长度内生成区分能力更强的哈希编码，以减轻混淆。

3、利用深度学习强大的非线性拟合能力，将该方法推广到深度模型中，得到很大的改进。

Methods