用于高效社交图像检索的双层语义迁移深度哈希

社交网络存储并传播大量用户共享图像。深度哈希因其深度表征能力、快速检索速度和低存储成本，是一种支持大规模社交图像检索的高效索引技术。特别地，无监督深度哈希不需要任何人工标注数据用于训练，因而具有良好可扩展性。然而，由于缺乏标签引导，现有方法在优化大量深度神经网络参数时面临严重的语义匮乏问题。不同的是，本文提出一种双层语义迁移深度哈希（DSTDH）方法，以统一深度哈希学习框架缓解该问题。我们的模型旨在通过专门利用与社交图像相关的用户生成标签，学习语义增强的深度哈希码。具体而言，我们设计了一种互补的双层语义迁移机制，以高效发现标签的潜在语义并无缝迁移至二值哈希码。一方面，实例级语义在去除有害噪声后从相关标签直接保留至哈希码。此外，构建图像-概念超图，用于将图像与标签的潜在高阶语义关联间接迁移至哈希码。而且，哈希码通过离散哈希优化策略与深度表征学习同时获得。在两个公开社交图像检索数据集上的大量实验验证了本方法相较最先进哈希方法的优越性能。我们的方法源代码可在 https://github.com/research2020-1/DSTDH 获取。