基于序列哈希表示（SeqHash）的深度哈希图像检索：混沌理论与KAN网络驱动的空间敏感性增强方法

【编辑推荐】本文提出SeqHash框架，通过序列哈希表示（sequential hash representation）重构深度哈希网络，结合混沌映射（chaos mapping）和Kolmogorov-Arnold网络（KANs）构建序列-KAN层（sequence-KAN layer），解决传统哈希方法在实数空间与汉明空间（Hamming space）转换中的"语义近→哈希远"等不敏感问题。实验证明其显著提升图像检索性能，为跨模态哈希提供新思路。

　　

Highlight

相关研究

近期大语言模型（LLM）在文本理解与生成方面的突破为跨模态哈希检索（如文本-图像）带来启示。研究表明，CLIP、BERT等预训练模型与视觉Transformer结合能有效提升特征对齐能力。

序列哈希表示分析

通过互信息理论验证序列哈希优势：传统独立位编码的互信息I(X;B)=Σ_iI(x_i;b_i)，而序列编码因位间关联性使I(X;B)≥Σ_iI(x_i;b_i)，增强对实数空间偏移的敏感性。

方法设计

SeqHash框架（图3）包含：

1. 特征提取模块：预训练主干网络生成特征向量

2. 混沌映射初始层：将特征转化为混沌系统初始值

3. 序列-KAN层：通过时空变换输出哈希序列

4. 顺序哈希损失函数：驱动系统收敛至稳定状态

粗粒度图像检索实验

在ImageNet、MS-COCO、NUS-WIDE数据集上对比10种SOTA方法，mAP指标显示SeqHash在"语义近→哈希近"场景下召回率提升12.6%，"语义远→哈希远"场景误检率降低8.3%。

结论

SeqHash通过混沌序列的随机性和KAN网络的强拟合能力，重构哈希编码层的空间转换机制，使汉明距离变化与实数空间偏移呈动态耦合，为生物医学图像检索等需要高精度相似度匹配的场景提供新范式。