面向最近邻搜索的稀疏诱导生成对抗哈希

无监督哈希在过去十年中受到广泛研究关注，其通常旨在于汉明空间中保持预定义度量（即欧氏度量）。为此，现有哈希的编码函数通常为拟等距的，致力于减少从目标度量空间到离散汉明空间的量化损失。然而，直接最小化此类误差确有问题，因为上述两个度量空间是异质的，且拟等距映射是非线性的。前者导致特征分布不一致，后者导致有问题的优化问题。本文提出一种新颖的无监督哈希方法，称为稀疏诱导生成对抗哈希（SiGAH），将大规模高维特征编码为二进制码，其通过生成对抗训练框架很好地解决了这两个问题。与最小化量化损失不同，我们的核心创新在于借助生成模型强制所学汉明空间具有与目标度量空间相似的数据分布。特别地，我们构建一个基于ReLU的神经网络作为生成器输出二进制码，以及一个基于MSE损失的自编码器网络作为判别器，在其上执行生成对抗学习以训练哈希函数。此外，为从哈希码生成合成特征，在生成模型中引入压缩感知过程，强制二进制码的重构边界与原始特征一致。最后，该生成对抗框架可通过Adam优化器训练。在Tiny100K、GIST1M、Deep1M和MNIST四个基准上的实验结果表明，所提SiGAH优于最先进的方案。