基于间隔动态softmax损失的深度跨模态哈希

由于其针对跨模态检索任务的高检索效率和低存储开销，跨模态哈希方法已引起相当关注。对于监督跨模态哈希方法，如何使学习到的哈希码充分保留数据点标签中所含的语义信息，是进一步提升检索性能的关键。因此，几乎所有监督跨模态哈希方法通常依赖于利用标签信息定义数据点间的相似性，以全部或部分地指导哈希模型学习。然而，所定义的数据点间相似性只能部分捕获数据点的标签信息并遗漏丰富的语义信息，从而阻碍了检索性能的进一步提升。因此，本文不同于以往工作，提出了一种无需定义数据点间相似性的新型跨模态哈希方法，称为基于\textit{间隔动态softmax损失}的深度跨模态哈希（DCHML）。具体而言，DCHML 首先训练一个代理哈希网络，将数据集的每一类信息转换为具有语义判别性的哈希码，称为代理哈希码。每个代理哈希码能很好地保留其对应类别的语义信息。接下来，在不定义数据点间相似性来监督模态特定哈希网络训练过程的情况下，我们提出一种新颖的\textit{间隔动态softmax损失}来直接利用代理哈希码作为监督信息。最后，通过最小化该新颖的\textit{间隔动态softmax损失}，可训练模态特定哈希网络生成能同时良好保留跨模态相似性与丰富语义信息的哈希码。