基于深度加权哈希的查询自适应图像检索

哈希方法因大规模图像检索而备受关注。近来，一些深度哈希方法借助深度网络强大的表示能力取得了可喜成果。然而，现有深度哈希方法平等对待所有哈希位。一方面，由于离散汉明距离，大量图像与查询图像共享相同距离，这引发了图像检索中细粒度排序至关重要的关键问题。另一方面，不同哈希位对图像检索的实际贡献不同，平等对待它们极大影响了图像的检索精度。为解决上述两个问题，我们提出查询自适应深度加权哈希(QaDWH)方法，其可通过加权汉明距离对不同查询执行细粒度排序。首先，提出一种新颖的深度哈希网络联合学习哈希码及相应的类级权重，使得学习到的权重能反映不同哈希位对不同图像类的重要性。其次，提出一种查询自适应图像检索方法，通过融合查询图像的语义概率与学习到的类级权重，快速生成不同查询图像的哈希位权重。随后利用加权汉明距离执行细粒度图像检索，其能提供比传统汉明距离更精确的排序。在四个广泛使用的数据集上的实验表明，所提方法优于八种state-of-the-art哈希方法。