本论文提出了一种基于最小描述长度原则的生成式二元哈希学习方法，通过随机分布梯度基于优化哈希函数及关联生成模型的参数，以实现对海量数据库的快速搜索与检索。实验结果表明，该方法在多种大规模数据集上实现了比现有最先进方法更好的检索结果。

Jan, 2017

本文介绍了一种灵活而简单的框架，该框架可以容纳不同类型的损失函数和哈希函数，并可将现有方法放在上下文中，并简化了新问题特定哈希方法的开发。我们提出了一个具有 Hash 编码和 Hash 函数学习两个步骤的框架，其中前一步通常可以被表述为二次问题，而后一步则可以用训练标准的二元分类器来完成。实验表明，我们的方法在高维数据上比大多数最先进的方法表现显著优越。

Aug, 2014

提出了一种在线哈希模型来适应流数据的在线学习，并通过衡量两个数据样本之间在汉明空间中的相似损失来导出结构化哈希模型以被被被优化，该工作对所提出的在线哈希模型累积损失的上界进行了理论分析，并将在线哈希从单一模型扩展到多模型在线哈希，通过在多个大规模数据集上的大量实验验证了所提出的在线哈希模型的竞争效率和效果而言，相比相关的哈希方法。

Apr, 2017

这篇论文提出了一种深度网络模型和学习算法，用于无监督和监督二进制哈希，通过约束单个隐藏层直接输出二进制代码，并在学习中严格考虑独立性和平衡性，以及相似性保持属性，从而在三个基准数据集上比先前方法表现更佳。

Jul, 2016

该论文提出了两种方法来推断二进制代码的二步（监督式，无监督式）哈希。它们首先介绍了一种统一的公式，然后将得到一位的学习表示为二进制二次问题（BQP），最后提出了解决 BQP 的两种方法，并在三个基准数据集上进行了实验证明其优于现有技术。

Jul, 2016

本研究综述了基于哈希技术的 ANN 搜索的发展历程和应用，重点介绍了基于数据驱动学习方法和深度学习模型的哈希应用技术，分析了优缺点，并探讨了未来的研究趋势。

Sep, 2015

本文提出一种新的算法，该算法同时执行特征工程和非线性监督哈希函数学习，使用预训练和指数哈希损失函数，实现了有效的梯度计算和传播，并在数个广泛使用的图像基准测试中实现了全面的定量评估。实验结果表明，我们的算法明显优于所有现有的最先进的竞争对手，特别是在 MNIST 数据集上实现了近乎完美的 0.99 和 CIFAR10 数据集上的 0.74 的新记录。

Aug, 2016

本文提出一种简单的分类目标方法，仅在任意骨干网络的顶部附加两个全连接层，遵守训练期间的二进制约束条件，以此为基础流行实现二进制表示学习和哈希模型的任务，其可以有效地探索数据语义而不需要辅助模型，从而在 CIFAR-10、NUS-WIDE 和 ImageNet 的评测数据上优于现有技术。

Aug, 2019

该研究提出了一种新型的两阶段哈希方法，通过残差学习方案构建二进制码以适应任意区域结构，并且使用高容量哈希函数（如 CNNs），可以在许多标准邻域定义中大大简化二进制代码推断，从而产生更强大的代码，该方法在广泛使用的图像检索基准测试中表现优异。

Aug, 2018

本研究提出了一种监督学习框架，直接从原始图像中生成紧凑且可扩展的哈希编码，通过使用三元组样本最大化匹配对与不匹配对在汉明空间中的边界，并同时优化图像特征和哈希函数，从而在实际应用中更具有灵活性和更高的性能。

Aug, 2015