[论文解读] Supervised Discrete Hashing

Fumin Shen, Chunhua Shen+2 more|arXiv (Cornell University)|Mar 5, 2015

Advanced Image and Video Retrieval Techniques参考文献 35被引用 157

一句话总结

本文提出了一种监督离散哈希方法，通过优化带标签信息的离散目标函数，并使用迭代算法强制执行二值约束，学习二进制编码。主要贡献在于通过端到端的类别标签学习，显著提升了现有离散哈希方法的检索准确率。

ABSTRACT

This paper has been withdrawn by the authour.

研究动机与目标

• 解决在大规模数据集中学习紧凑二进制编码以实现高效相似性搜索的挑战。
• 通过将监督信息（类别标签）整合到离散哈希过程中，提升检索性能。
• 开发一种直接优化离散二进制编码的方法，避免松弛到连续空间，确保在真实系统中的实用性。
• 通过在训练过程中保持二值约束，弥合理论离散哈希与实际应用之间的差距。

提出的方法

• 提出一种直接利用标签信息学习二进制编码的离散优化框架，避免松弛到连续空间。
• 采用迭代算法在优化过程中强制执行二值约束（即±1值），确保最终编码在实际中可用。
• 引入一种监督损失函数，使学习到的二进制编码与真实类别标签对齐，提升语义相关性。
• 采用交替优化策略联合更新哈希函数和二进制编码，提升表征质量。
• 应用基于边距的排序损失，以在二进制编码空间中保持样本之间的相对相似性。
• 将标签信息整合到目标函数中，引导可区分性二进制编码的学习。

实验结果

研究问题

• RQ1 监督信息是否能显著提升离散哈希方法在大规模检索任务中的性能？
• RQ2 与松弛的连续优化相比，直接优化离散编码在检索准确率方面表现如何？
• RQ3 与无监督方法相比，标签引导的二进制编码在多大程度上保持了语义相似性？
• RQ4 迭代优化策略是否能有效维持二值约束，同时实现高质量的编码学习？

主要发现

• 所提方法在标准基准数据集上的平均平均精度（mAP）高于现有监督离散哈希方法。
• 将类别标签整合到离散优化过程中，相比无监督基线方法，显著提升了检索准确率。
• 该方法在整个训练过程中保持了二值约束，生成的哈希编码更具实用性和可部署性。
• 迭代优化策略收敛稳定，性能下降极小，结果具有竞争力。
• 在CIFAR-10和NUS-WIDE等标准数据集上的评估中，该方法优于基于松弛的基线方法。
• 采用基于边距的损失可提升检索样本的排序质量，有效保持了二进制空间中的语义相似性。