将深度哈希从死比特问题中拯救出来

深度哈希方法在大规模图像检索中展现出极高的检索精度与效率。如何优化离散哈希比特一直是深度哈希方法的焦点。这类方法的常见策略是采用激活函数（如 $\operatorname{sigmoid}(\cdot)$ 或 $\operatorname{tanh}(\cdot)$）并最小化量化损失以逼近离散值。然而，该范式可能使越来越多哈希比特陷入激活函数的错误饱和区且无法逃脱。我们称此问题为“死比特问题（DBP）”。此外，现有的量化损失也会加剧DBP。本文提出一种简单而有效的置于激活函数之前的梯度放大器以缓解DBP。进一步地，我们设计了一种误差感知量化损失以进一步缓解DBP。它基于两幅图像间的相似性避免了量化损失的负面效应。所提出的梯度放大器与误差感知量化损失可与多种深度哈希方法兼容。在三个数据集上的实验结果证明了所提梯度放大器与误差感知量化损失的有效性。