面向最优离散在线哈希与平衡相似度的研究

面对大规模图像数据集时，在线哈希可作为在线检索与预测任务的一种有前景的解决方案。它将在线流式数据编码为紧凑二进制码，同时更新哈希函数以刷新已有数据集的编码。为此，现有方法仅基于新数据批次更新哈希函数，未考察此类新数据与已有数据集之间的关联。此外，现有工作在其相应的近似连续空间中通过松弛过程更新哈希函数，而直接应用离散优化于在线哈希仍是一个开放问题。本文提出一种新颖的有监督在线哈希方法，称为平衡相似度在线离散哈希（BSODH），以统一框架解决上述问题。BSODH 采用精心设计的哈希算法，通过非对称图正则化保持流式数据与已有数据集之间的相似性。我们进一步识别出由所构建非对称图带来的“数据不平衡”问题，其限制了离散优化在本文问题中的应用。因此，进一步提出一种新颖的平衡相似度，利用两个平衡因子来均衡相似与不相似权重，最终使得离散优化的使用成为可能。在三个广泛使用的基准上进行的充分实验证明了所提方法相对于 SOTA 方法的优势。