2017 Deep Hashing总结

（1）CVPR2017 Learning Multifunctional Binary Codes for Both Category and Attribute Oriented Retrieval Tasks

 Dual Purpose Hashing (DPH)

创新点：大部分哈希方法都只能够保持一种相似度（例如，由categories定义的语义相似度），还有一种相似度是attributes，例如，查找同一款式但是不同颜色的衣服，语义相似度相同，attributes不同，该paper提出一个框架可以同时保持这两种相似度。

主要贡献有两方面：

第一，提出了一个学习哈希函数的统一框架。同时保留类别和属性相似性用于处理multiple retrieval tasks。

第二，提出一个新的training的技巧，对于CNN模型，将部分标记的数据作为训练输入以提高performance和减轻过拟合。

（2）Learning Deep Binary Descriptor with Multi-Quantization

没有使用CNN，而是使用K- 自编码网络

http://www.myzaker.com/article/599fb98c1bc8e0e925000002/

这篇论文将二值化过程看作非监督多量化问题，提出了基于 K- 自编码网络的深度多量化算法，并将其应用于深度二值特征学习，提出了多量化深度二值特征学习，降低了二值化造成的量化损失。

（3）Binary Coding for Partial Action Analysis with Limited Observation Ratios

PRBC（Partial Reconstructive Binary Coding）

没有用到CNN,提供了监督以及非监督的fangshi

创新点：主要是将二进制编码用于特定的领域，基于部分观测的行为预测/识别

binary coding的落地

主要是提出了一个联合学习框架，来对于部分行动学习有判别力的紧凑二进制编码，同时解决了特征重建以及二进制编码。

（4）Simultaneous Feature Aggregating and Hashing for Large-scale Image Search

计算图像表示的三个步骤：local feature extraction,embedding,and aggregating

aggregating步骤更重要（aggregation就是被应用于local features，然后对于每一幅图片得到一个单一的aggregated表示）

主要是集中于非监督哈希方法

创新点：本篇提出了同时aggregating/hashing框架，不仅仅能达到一些理想的aggregation性质，也能够通过binary codes更好的被重建。

本篇论文可采纳的地方：5.3. Experiments with CNN feature maps

在卷积特征上进行评估哈希算法。