哈希游戏- 哈希游戏平台- 哈希游戏官方网站

　　基于哈希的图像检索技术将高维数据特征映射成低维二进制编码,具备检索速度快,占用内存少的优点。然而,现实网络平台数据往往以流数据的形式实时涌现,离线哈希图像检索技术无法处理动态增长的流数据,这使得在线图像检索需求变得越来越迫切。为了满足在线图像检索的应用需求,人们提出在线哈希图像检索算法,其能够实时更新哈希模型,具备动态处理流数据的能力。但是,目前在线哈希算法仍存在一些亟需解决的问题。首先,新、旧数据集在数量上比例失调,并且标签类别差异大,容易造成语义相似性度量不平衡。其次,随着旧数据集的日益积累,在线更新旧数据集的哈希码会严重影响在线检索效率。针对以上问题,本文提出两种在线哈希算法,主要研究内容和贡献如下,

　　(1)针对语义相似性度量上数据不平衡的问题,提出基于哈达玛编码的标签投影在线哈希算法(LabelprojectionbasedonHadamardcodesforOnlineHashing,简称LHOH)。LHOH算法结合标签投影和相似性保持机制,解决数据不平衡问题。为了解决标签投影矩阵求解困难的问题,LHOH算法将哈达玛编码代替哈希码,作为标签投影目标域。在相似性保持机制中,LHOH算法利用标签投影矩阵赋予标签权重值,缓解新、旧数据集语义标签相似性矩阵不平衡,保持样本在汉明空间与语义空间中的相似性关系。另外,为了增强不同标签生成哈希码的区分性,LHOH算法依次通过为标签数据分配哈达玛编码、标签投影到哈达玛编码和标签嵌入到相似性矩阵三种方式,实现基于标签类别的三重监督。

　　(2)针对旧数据集哈希码重复更新的现象,提出非对称深度在线哈希算法(AsymmetricDeepOnlineHashing,简称ADOH)。ADOH算法利用神经网络提取图像深度特征,并以非对称的方式深度学习在线哈希网络。在学习哈希码的过程中,ADOH算法通过目标函数直接学习新数据集的哈希码,无需重复更新旧数据集的哈希码,能够有效提高哈希码在线更新的效率。ADOH算法最小化哈希码内积与相似度矩阵之间的差异,保持成对样本之间的语义相似性关系。另外,ADOH算法建立分类损失项和标签嵌入模块学习单个样本的语义信息,使生成的哈希码更具备语义鉴别性。