域自适应零样本框架下的哈希方法

近年来，学习能够高效存储和检索高维多媒体数据的哈希码技术引起了广泛的研究兴趣。随着新概念和在线数据的迅速爆发，由于获取人工标注成本高昂，现有的监督哈希算法面临真值标注稀缺的问题。因此，我们提出了一种算法，从属于“可见”类的训练图像中学习哈希函数，从而能够高效地将“不可见”类的图像编码为二进制码。具体而言，我们将来自视觉空间的图像特征和来自语义空间的语义特征投影到一个共同的汉明子空间中。早期生成哈希码的工作试图放松哈希码的离散约束并求解连续优化问题，但这往往导致量化误差。在本工作中，我们使用最大间隔分类器来学习高效的哈希函数。为解决因引入新类而可能产生的域偏移问题，我们在提出的哈希框架中引入了无监督域自适应模型。在三个数据集上的结果表明，在哈希函数学习中采用域自适应具有优势，且与几种最先进的哈希方法相比，我们的方法在图像检索任务上表现更优。