Hachage Discret Supervisé Profond

Avec la croissance rapide des données d'images et de vidéos sur le web, le hachage a été largement étudié pour la recherche d'images ou de vidéos ces dernières années. Bénéficiant des récentes avancées en apprentissage profond, les méthodes de hachage profond ont obtenu des résultats prometteurs pour la récupération d'images. Cependant, il existe certaines limitations des méthodes de hachage profond précédentes (par exemple, l'information sémantique n'est pas pleinement exploitée). Dans cet article, nous développons un algorithme de hachage discret supervisé profond basé sur l'hypothèse que les codes binaires appris devraient être idéaux pour la classification. Les informations d'étiquettes pair-à-pair et les informations de classification sont utilisées pour apprendre les codes de hachage au sein d'un seul cadre de flux. Nous contraignons les sorties de la dernière couche à être des codes binaires directement, ce qui est rarement examiné dans les algorithmes de hachage profond. En raison de la nature discrète des codes de hachage, une méthode de minimisation alternée est utilisée pour optimiser la fonction objectif. Les résultats expérimentaux ont montré que notre méthode surpasse les méthodes actuelles de pointe sur les jeux de données de référence.