基于类中心相似度学习的改进深度类级哈希图像检索方法

用于图像检索的深度监督哈希因其高效性和优越的检索性能而受到研究者的关注。大多数现有的基于成对/三元组标签的深度监督哈希工作存在计算代价高昂和语义信息利用不足的问题。近年来，深度类级哈希引入了一种由类标签信息监督的类级损失作为替代方案；然而，我们发现它仍有其缺陷。在本文中，我们提出了一种改进的深度类级哈希方法，它使哈希学习与类中心学习能够同时进行。具体而言，我们设计了一个关于中心相似度学习的两步策略。它与类级损失相互作用，以吸引类中心聚焦于类内样本，同时将其他类中心尽可能推远。中心相似度学习有助于生成更紧凑且更具判别力的哈希码。我们在三个基准数据集上进行了实验。结果表明，所提方法在各种常用的图像检索评价指标下有效地超越了原始方法，并优于最先进的基线方法。