通过核超平面学习进行半监督哈希的可扩展图像搜索

旨在为每个图像寻找紧凑二进制代码的哈希方法已被证明在可扩展的基于内容的图像检索中是有效的。本文提出了一种新的哈希方法，称为半监督核超平面学习（SKHL），通过将每个哈希函数建模为从未标记数据集中构建的非线性核超平面来进行语义图像检索。此外，提出了一种类似于费舍尔准则的方法，以仅使用具有边信息的弱标记训练样本来学习最优核超平面和哈希函数。为了进一步整合不同类型的特征，我们还将多核学习（MKL）纳入了所提的SKHL（称为SKHL-MKL），从而导致更好的哈希函数。在CIFAR-100和NUS-WIDE数据集上的综合实验证明了我们的SKHL和SKHL-MKL的有效性。