神经网络hash码论文笔记

1. Deep Learning of Binary Hash Codes for Fast Image Retrieval
   
   首先通过ImageNet进行训练，通过迁移学习的方法，保留包括F7之前的参数，在F7之后添加一层hash编码层，最后是分类层。Hash编码层通过sigmoid，映射到0~1，最后通过0.5阈值二值化为{0，1}。

思想是，通过hash编码层得到每张图像的hash码，然后通过LSH将得到的hash码进行映射，最后每类都有一个hash码。检索分为两级：1，使用Hamming距离，通过上得到的hash码定位到属于哪一类；2，使用Euclidean距离，然后通过F7学到的图像特征做进一步的精确检索。

1. Deep Supervised Hashing for Fast Image Retrieval
   
   通过图像对来进行训练网络。没对图像相似标记为0，否则标记为1。图像是否相似是通过这两张图片是否属于同一类，因为数据库有类别标签。
   训练时，首先将两张图片通过具有相同参数的网络，根据损失函数计算损失，然后进行反向传播。与第一篇论文不同，这篇论文将hash编码为{-1，1}，也没有分类层。测试时将输出进行二值化，得到该图像的hash码，然后进行检索。
   损失函数分为3部分：
   
   如果俩夫图片相似，使用第一个式子；如果两幅图片不相似，使用第二个式子；通过第三个式子将输出拉向-1，1。结果是相似的图像编码相似，不相似的图像编码不相似，而且最后输出趋于-1，1。
   M设为2k，k为组后一层编码长度。
2. Feature Learning based Deep Supervised Hashing with Pairwise Labels
   作者给deep pairwise-supervised hashing取名DPSH。
   网络结构不复杂：
   
   
   也是迁移学习，不过迁移过来后所有参数是要跟新的。其实，说的再复杂，还是再full7后边又加了一层全连接层。
   训练方法和论文2差不多，损失函数不一样。
   损失函数推理过程：
   1.
   
   2.
   
   3.
   
   4.其实就是指，最后边加了一个全连接层
   
   5.
   
   Sij表示相似为1，不相似为0。u为网络的输出。b为u二值化后的值，大于0为1，小于0为-1。
   最后也是相似的图像编码相似，不相似的图像编码不相似。损失函数第二项通过将输出二值化然后与输出进行正则话很机智。详细推导见论文。

第一篇文章通过类别来学习hash码，后两篇通过将类别信息隐藏于图像对进行学习hash码。