非线性流形上的哈希

基于学习的哈希方法因其能够大幅提高现有算法的运行规模而引起了广泛关注。这些方法大多旨在生成保留原始空间中欧几里得相似性的二进制码。相比之下，流形学习技术能够更好地建模嵌入在原始高维数据中的内在结构。然而，这些模型的复杂性以及样本外数据的问题，此前使其不适用于大规模嵌入应用。在本工作中，我们考虑了如何在其内在流形上学习紧凑的二进制嵌入。为了解决上述困难，我们提出了一种针对样本外数据问题的高效归纳解法，并提出了一种将非参数流形学习用作哈希方法基础的过程。所提出的方法因此允许开发一系列新的哈希技术，利用各种可用的流形学习方法的灵活性。特别地，我们展示了基于 t-SNE 的哈希在大规模基准数据集上优于最先进的哈希方法，并且对于极短码长的图像分类非常有效。所提出的哈希框架易于改进，例如通过学习正交旋转来最小化量化误差。此外，通过结合标签信息，我们开发了一种监督式归纳流形哈希框架，结果显示其极大地提升了语义检索性能。