面向多标签图像检索的实例加权中心相似度

深度哈希通过将高维数据点编码为二进制码以实现高效检索，已广泛应用于大规模图像检索。与基于成对/三元组相似度的哈希学习相比，基于中心相似度的哈希能更高效地捕捉全局数据分布。然而，对于多标签图像检索，以往方法仅使用多个等权重的哈希中心生成一个质心作为学习目标，忽略了哈希中心权重与图像中实例区域占比之间的关系。为解决上述问题，我们提出一种两步交替优化方法——实例加权中心相似度（ICS），以自动学习与哈希码对应的中心权重。首先，我们应用最大熵正则化器防止某个哈希中心主导损失函数，并通过投影梯度下降计算中心权重；其次，我们在固定中心权重下通过标准反向传播更新神经网络参数。更重要的是，学习到的中心权重能很好地反映图像中前景实例的占比。我们的方法在图像检索基准上达到了 SOTA 性能，尤其在 MS COCO 数据集上将 mAP 提升了 1.6%–6.4%。