基于均值质心表示的深度哈希技术在大规模图像检索中的应用

《Expert Systems with Applications》：Deep Hashing via Mean Centroid Representation for Large-scale Image Retrieval

　　

Bingxin Wang|Wei Hu|Xianmin Wei|Qibing Qin|Lei Huang|Lei Zhang

摘要

由于成本低且检索效率高，深度哈希在大规模图像检索中具有广阔的应用前景。然而，传统的基于实例的哈希方法是通过直接比较图像的哈希码来匹配图像的，但这一过程很容易受到颜色、角度和背景等外观因素的干扰，从而导致语义上的不匹配。为了解决上述问题，人们提出了基于质心/代理表示的方法。现有的基于质心/代理的方法仅限于训练阶段，并未优化检索效率，这与哈希技术的核心优势相悖。在本文中，我们在训练和检索阶段都采用均值质心表示，提出了一种新的深度哈希均值质心表示框架（MCRDH），该框架能够学习出具有高度区分能力的嵌入空间，实现类内聚合与类间分离。具体而言，通过计算每类样本的均值质心，我们设计了一种新的均值质心三元组损失函数，以减轻异常值带来的负面影响，从而生成简洁且具有区分度的哈希码。此外，由于每类样本都由均值质心表示，数据库中的目标向量数量大幅减少，进而大大缩小了搜索范围，降低了检索时间和存储需求，非常适合实际应用。在三个公共数据集上进行的全面实验表明，我们提出的MCRDH框架优于各种现有最先进方法。我们提出的MCRDH框架的源代码可在以下地址获取：https://github.com/QinLab-WFU/MCRDH.