摘要:基于图的无监督跨模态哈希学习具有存储空间小、检索效率高等优点, 受到学术界和工业界的广泛关注, 已成为跨模态检索不可或缺的工具之一. 然而, 图构造的高计算复杂度阻碍其应用于大规模多模态应用. 主要尝试解决基于图的无监督跨模态哈希学习面临的两个重要挑战: 1)在无监督跨模态哈希学习中如何高效地构建图? 2)如何解决跨模态哈希学习中的离散值优化问题? 针对这两个问题, 分别提出基于锚点图的跨模态学习和可微分哈希层. 具体地, 首先从训练集中随机地选择若干图文对作为锚点集, 利用该锚点集作为中介计算每批数据的图矩阵, 以该图矩阵指导跨模态哈希学习, 从而能极大地降低空间与时间开销; 其次, 提出的可微分哈希层可在网络前向传播时直接由二值编码计算, 在反向传播时亦可产生梯度进行网络更新, 而无需连续值松弛, 从而具有更好的哈希编码效果; 最后, 引入跨模态排序损失, 使得在训练过程中考虑排序结果, 从而提升跨模态检索正确率. 通过在3个通用数据集上与10种跨模态哈希算法进行对比, 验证了提出算法的有效性.

摘要:由于具有低存储成本、高效检索、低标注成本等方面的优势，无监督的哈希技术已经引起了学术界越来越多的关注，并且已经广泛地应用到大规模数据库检索问题中.先前的无监督方法大部分依靠数据集本身的语义结构作为指导信息，要求在哈希空间中，数据的语义信息能够得到保持，从而完成哈希编码的学习.因此，如何精确地表示语义结构以及哈希编码成为了无监督哈希方法成功的关键.提出一种新的基于自监督学习的策略进行无监督哈希编码学习.具体来讲，首先利用对比学习在目标数据集上对网络进行学习，从而能够构建准确的语义相似性结构；接着，提出一个新的目标损失函数，期望在哈希空间中，数据的局部语义相似性结构能够得到保持，同时，哈希编码的辨识力能够得到提升，提出的网络框架是端到端可训练的；最后，提出的算法在两个大规模图像检索数据集上进行了测试，大量的实验验证了所提出算法的有效性.

摘要:遥感图像的多目标分类是一个具有挑战性的课题.首先，由于数据的复杂性以及算法对存储的高需求，传统分类方法很难兼顾到分类的精度和速度；其次，遥感成像过程中产生的仿射变换，使得目标的快速解译难以实现.为此，提出一种基于仿射不变离散哈希（AIDH）的遥感图像多目标分类方法.该方法采用具有低存储、高效率优势的监督离散哈希框架，结合仿射不变优化因子，构造仿射不变离散哈希，通过将具有相同语义信息的仿射变换样本约束到相似的二值码空间实现分类精度的提高.实验结果表明，在NWPU VHR-10和RSDO-dataset两个数据集下，相比于经典的哈希方法和分类方法，所提方法在具备了高效性的同时，其精度也得到了保证.