Deep Learning of Binary Hash Codes for Fast Image Retrieval

摘要

当数据label可用时，采深度网络来学习binary code，同时来表示图像深度表示特征。与其他基于pair-wise的方法不一样，该方法采用point-wise的思想。实验表明该方法在CIFAR-10 和 MNIST是state-of-the-art。同时在1百万张衣服图片的大规模数据集中验证该方法的可扩展性和有效性。

本文的思路和主要工作

有些基于pair-wise的方法通常使用相似度矩阵来描述图像对或者数据对之间的关系（主要指的是CNNH和CNNH+），并采用这些相似信息来学习hash function。当处理大规模数据集时，要构建矩阵和产生hash code。本文从监督学习出发，同时学习图像表示和binary code，与其他方法不同的是（基于pair-wise的CNNH和CNNH+），本文的方法是基于point-wise的思想，利用incremental learning nature（SGD），适用于大规模图像检索。本文的主要工作包括如下四点：

（1）介绍了适用于快速图像检索的一种有效而简单监督学习框架；

（2）基于网络模型的稍微改动 finetune，同时学习图像特征表示和hashing-like function；

（3）该方法在CIFAR-10 和 MNIST是state-of-the-art；

（4）相比于其他conventional pair-wised approaches，本文方法中基于point-wised的思想学习到hashing code在数据规模方面具有很好的可扩展性。

本文方法DL