基于深度语义排序的多标签图像检索哈希方法

随着网络图像的快速增长，哈希技术在大规模图像检索中受到越来越多的关注。研究致力于学习基于标签保持语义相似性的紧凑二进制码。然而，大多数此类哈希方法旨在处理简单的二元相似性，尚未充分探索与多个标签相关的图像所具有的复杂多级语义结构。在此，我们提出一种基于深度语义排序的方法来学习哈希函数，以保持多标签图像之间的多级语义相似性。在我们的方法中，深度卷积神经网络被纳入哈希函数中，以联合学习特征表示及其到哈希码的映射，从而避免了手工设计特征在语义表示能力上的局限性。同时，采用编码多级相似性信息的排序列表来指导此类深度哈希函数的学习。我们使用一种基于代理损失的有效方案来解决学习过程中涉及的非平滑和多变量排序度量所带来的难解优化问题。实验结果表明，在多标签图像数据集上进行测试时，就排序评估指标而言，我们提出的方法优于几种最先进的哈希方法。