Deep Hash in Large Scale Image Retrieval

Deep Hash in Large Scale Image Retrieval
深度哈希方法及其在移动视觉搜索中的应用

大规模图像检索的利器Deep哈希算法介绍

Learning to Hash

这里介绍两篇深度hash文章
01 Simultaneous Feature Learning and Hash Coding with Deep Neural Networks CVPR2015

02 Deep Hashing Network for Efficient Similarity Retrieval∗（2016 AAAI DHN）

hash目标

深度哈希将传统的哈希学习与量化过程整合成端到端的

1 DNNH
Simultaneous Feature Learning and Hash Coding with Deep Neural Networks
(2015 CVPR DNNH )
亮点：同时进行特征提取和哈希编码

设计的divide-and-encode module
对应数据信息保留目标2：保留数据信息量：信息冗余
(1) 总量一定的情况下，信息重复得越少越好
(2) 信息冗余体现在同样的信息被多个神经元携带
：两两不相关

那么如何实现输出为0和1且可导，其实并非严格的只输出01，作者采用动态的阶跃阈值实现在输出在可导的情况下，尽量让输出结果还是达到为离散01值的效果。

2 DHN

Deep Hashing Network for Efficient Similarity Retrieval∗（2016 AAAI DHN）

相对于DNNH 主要改进的地方

1 设计一个有理论依据的 pairwise 交叉熵 。
2 设计一个有理论依据的 量化损失函数。
从理论的角度：
作者提取了双峰拉普拉斯分布，作者先假设网络输出的01值应该符合双峰拉普拉斯分布特征，也就是输出尽量为0和1且概率相等（这点是第一篇文章没有保障的）；
然后才有极大后验概率求解得到一个交叉熵函数

作者从正面证明自己的推倒：
作者结合ITQ这篇论文提出的量化误差的度量方法对自己的目标损失进行论证。

这篇文章本人认为非常好，非常值得读。

* 深度哈希主要的研究的点*
深度模型学习图像表示
sigmoid/tanh函数限制输出范围
不同的损失函数
有针对性的网络结构