Struktur-sensitives Hashing mit adaptiver Produktquantisierung

Hashing hat sich als attraktive Lösung zur Annäherung an die Suche nach nächstgelegenen Nachbarn erwiesen, dank seiner theoretischen Garantie und rechnerischen Effizienz. Obwohl die meisten früheren Hashing-Algorithmen niedrigen Speicher- und Rechenverbrauch durch kompakte Hashcodes erreichen können, sind sie dennoch weit von der Fähigkeit entfernt, diskriminative Hashfunktionen aus den Daten mit komplexer inhärenter Struktur zu lernen. Um dieses Problem anzugehen, schlagen wir in diesem Papier ein struktur-sensitives Hashing basierend auf Cluster-Prototypen vor, das sowohl globale als auch lokale Strukturen explizit nutzt. Ein alternierender Optimierungsalgorithmus, der die Quantisierungsverluste und die spektralen Einbettungsverluste minimiert, wird vorgestellt, um gleichzeitig die Clusterprototypen für jede Hashfunktion zu entdecken und ihnen optimal eindeutige binäre Codes zuzuweisen, die die Affinitätsausrichtung zwischen ihnen erfüllen. Für Hashcodes einer gewünschten Länge wird eine adaptive Bitzuweisung ergänzt, die die Produktquantisierung der Teilräume weiter optimiert, die Hamming-Abstände approximiert und gleichzeitig die Varianz unter den Hashfunktionen ausbalanciert. Experimentelle Ergebnisse zu vier großangelegten Benchmarks CIFAR-10, NUS-WIDE, SIFT1M und GIST1M zeigen, dass unser Ansatz die neuesten Hashing-Methoden in Bezug auf semantische und metrische Nachbarsuche erheblich übertrifft.