用于跨模态检索的非对称相关量化哈希

由于在对大规模多模态数据的相似性计算和数据库存储方面具有优势，跨模态哈希方法在异构模态间的相似性检索中引起了广泛关注。然而，仍有一些局限需要进一步考虑：(1) 当前大多数跨模态哈希(CMH)方法在二进制约束下将实值数据点转换为离散紧凑二进制码，因信息大量丢失限制了原始数据的表示能力并产生次优哈希码；(2) 离散二进制约束学习模型难以求解，因放宽二进制约束导致大量量化误差而使检索性能大幅下降；(3) 在对称框架中处理 CMH 的学习问题，导致优化目标困难且复杂。为应对上述挑战，本文提出一种新颖的非对称相关量化哈希(ACQH)方法。具体而言，ACQH 学习异构模态数据点的投影矩阵，将查询转换为潜在语义空间中的低维实值向量，并以由粗到细的方式构建堆叠组合量化嵌入，借助逐点标签信息回归同时用码本中一系列学习的实值码字指示数据库点。此外，跨模态的统一哈希码可由文中设计的离散迭代优化框架直接获得。在三个不同基准数据集上的综合实验显示了 ACQH 的有效性与合理性。