图像哈希检索背景综述(二)——哈希检索算法总结

这一篇主要对图像哈希技术的现有算法做一个研究性的概述。由于哈希函数的本质是一个降维的操作，因此会存在特征信息的丢失和检索准确率的下降。

 

目前的哈希函数可以分为数据依赖的（Data-dependent）和数据独立的(Data-independent)，数据依赖的哈希函数也就是依赖原始数据来学习哈希函数，数据独立的就是人工指定哈希函数。

最最经典的也算作最原始的用于图像检索的哈希算法是LSH，即局部敏感哈希（Locality Sensitivehashing）。它是由Piotr Indyk等人提出的，该方法对数据进行随机映射，属于数据独立的哈希函数。容易实现，计算速度也较快。这是一种非数据驱动型的算法，检索精度并不高。

 

之后的很多哈希函数都是基于该LSH方法做出的改进和扩展延伸，如Jianqiu Ji等人提出的超比特局部敏感哈希（Super-BitLocality-Sensitive Hashing, SBLSH），以角度作为核函数度量标准，对随机投影向量进行分组正交化；Brian Kulis等人提出的核化局部敏感哈希（KernelizedLocality-Sensitive Hashing, KLSH），对LSH进行了扩展，利用核函数和图像库中的稀疏集来构造随机映射，可以选择任意核函数作为相似性度量函数。

 

对于除了数据本身所具有的信息，数据可能还具有附加的信息，例如标签信息等，在模式识别、计算机视觉和机器学习等领域有着非常重要的作用。因此基于此，哈希函数还可以分为基于监督的、基于半监督的和基于非监督的哈希函数。

 

这里对近几年来的哈希函数做了一些总结和概述，整理在一个文档中。是根据袁勇学长的一篇博客进行整理的，贴出来也供大家一起学习。

总结下载链接：http://pan.baidu.com/s/1bobfuzl   提取密码：b97a

或者在这里下载

http://download.csdn.net/detail/ying_xu/9408905

这个文档是excel总结的，下载下来看起来会很清晰，预览的格式乱了，看起来很乱。建议下载。

但是没有涵盖大部分2014和2015年的相关paper。

这里根据袁勇学长的总结也一并贴出来。

 

CVPR14 图像检索papers——图像检索

1.  Triangulation embedding and democratic aggregation for imagesearch (Orals)

2.  Collaborative Hashing (post)

3.  Packing and Padding: Coupled Multi-index for Accurate ImageRetrieval (post) technical report

4.  Bayes Merging of Multiple Vocabularies for Scalable ImageRetrieval (post) technical report

5.  Fast Supervised Hashing with Decision Trees for High-DimensionalData (post)

6.  Learning Fine-grained Image Similarity with Deep Ranking (post)

7.  Congruency-Based Reranking (post)可能

8.  Fisher and VLAD with FLAIR (post)可能

9.  Locality in Generic Instance Search from One Example (post)

10.  Asymmetric sparse kernelapproximations for large-scale visual search (post)

11.  Locally Linear Hashing forExtracting Non-Linear Manifolds (post)

12.  Adaptive Object Retrievalwith Kernel Reconstructive Hashing (post)

13.  Hierarchical Feature Hashingfor Fast Dimensionality Reduction (post)

 

CVPR15image retrieval reading list

Image retrieval关键词

·        FAemb: A Function Approximation-Based Embedding Method for Image Retrieval

·        Image Retrieval Using Scene Graphs

·        Revisiting Kernelized Locality-Sensitive Hashing for Improved Large-ScaleImage Retrieval

·        Early Burst Detection for Memory-Efficient Image Retrieval

·        Deep Semantic Ranking Based Hashing for Multi-Label Image Retrieval（已读）

·        Query-Adaptive Late Fusion for Image Search and Person Re-identification

Hashing关键词

·        Supervised Discrete Hashing

·        Hashing With Binary Autoencoders

·        Reflectance Hashing for Material Recognition

·        Deep Hashing for Compact Binary Codes Learning

·        Online Sketching Hashing

·        Semantics-Preserving Hashing for Cross-View Retrieval

·        Face Video Retrieval With Image Query via Hashing Across Euclidean Spaceand Riemannian Manifold

2016

·     Learning to Hash for Indexing Big Data——A Survey
This paper provides readers with a systematic understanding of insights, pros, and cons of the emerging indexing and search methods for Big Data.
By Jun Wang, Member IEEE, Wei Liu, Member IEEE, Sanjiv Kumar, Member IEEE, and Shih-Fu Chang, Fellow IEEE 

要想对大数据哈希有一个清晰和透彻的了解，我非常推荐以上这篇2016年1月的文章，需要反复研读。

其中包含一些大数据现状与趋势的剖析，是来自与李武军老师2015年的一篇中文paper，链接都包含如下，建议都仔细研读一下，对于该研究方向的同学会获益匪浅。

 

 

参考资料：

1.   Hashing图像检索源码及数据库总结http://yongyuan.name/blog/codes-of-hash-for-image-retrieval.html

2.  大数据哈希学习：现状与趋势http://www.36dsj.com/archives/23799

3.  CVPR14图像检索papershttp://yongyuan.name/blog/cvpr14-reading-list.html

4.  CVPR15 image retrieval readinglisthttp://yongyuan.name/blog/cvpr15-image-retrieval-reading-list.html