本文提出了一种高效无监督的方案，通过设计三个标准以限制敌对空间，从而在深度哈希算法供应链的漏洞下识别出混淆攻击，并在实时图像查询中获得 2-23% 的检测率提高。

Apr, 2023

本文提出了一种基于数据增强的哈希检索方法，通过自我蒸馏来最小化哈希码与原始特征之间的差异，引入基于哈希代理的相似度学习和二元交叉熵损失来提供优质哈希码，构建了一个深度哈希框架，实现了目前最先进的检索结果。

Dec, 2021

深度优先哈希（DPH）是一种基于贝叶斯学习框架的端到端体系结构，其通过重新调整标准交叉熵损失来优先处理训练数据中的不确定对，以生成高质量的哈希码，并在 ImageNet、NUS-WIDE 和 MS-COCO 三个数据集上取得了最先进的图像检索结果。

Sep, 2018

本文提出一种基于深度学习的监督离散哈希算法，利用分类信息和成对标签信息在单流框架中学习哈希码，并通过交替最小化方法进行优化，实验结果表明该方法在基准数据集上优于当前最先进的方法。

May, 2017

本研究提出了一种基于深度网络的二进制哈希方案 DeepHash，可以将全局图像描述符表示为非常紧凑的 64-1024 位哈希码，能够实现在极低位速率下进行实例检索，在多数据集上均优于现有方案，能够实现 512 倍的压缩。

Jan, 2015

使用神经网络结合深度学习的方式，针对多标签图像，提出了一种能够保持多层语义相似度的哈希函数学习方法，并在多标签图像数据集上的排名评估中证明了该方法的优越性。

Jan, 2015

本文提出了一种新的深度哈希方法，通过将成对相似性重新定义为实例相似性，基于实例相似性，构造了加权交叉熵和最小均方误差损失，用于同时学习特征和哈希编码，实验表明，这种方法优于竞争方法，在多标签图像检索中实现了最先进的性能。

Mar, 2018

本文提出了一种名为无监督语义深度哈希（USDH）的新型无监督深度哈希方法，使用卷积神经网络学习特征和哈希码，并利用 CNN 特征层中保留的语义信息来指导网络训练。在 CIFAR-10，NUSWIDE 和 Oxford 17 数据集上进行了广泛实验，结果表明 USDH 相较于其他无监督哈希方法更加有效。

Mar, 2018

本文提出了一种深度哈希目标攻击方法 (DHTA)，通过点集优化将对抗样本哈希码的平均距离最小化来攻击具有目标标签的对象的哈希，并提出了一种新的组件投票方案来获得锚码作为目标标签对象的哈希码集合的代表，以在某些限制条件下，平衡性能和可感知性。实验表明，DHTA 对深度哈希模型的图像和视频检索均有效。

Apr, 2020

通过对注意力机制进行建模以及使用属性分组和挖掘哈希（AGMH）来生成精细图像检索的综合特征表示，该方法在细粒度图像数据集上表现出最佳性能。

Nov, 2023