本文旨在详细研究包括深度监督哈希与深度无监督哈希在内的深度哈希算法，并探讨半监督深哈希、域自适应深哈希和多模态深哈希等相关重要主题，同时介绍公共数据集和深哈希算法性能的评估方法，并提出潜在的研究方向。

Mar, 2020

本文提出了一种名为 Deep Discrete Supervised Hashing (DDSH) 的新型深度哈希方法，它是第一个可以利用监督信息直接引导离散编码过程和深度特征学习过程的深度哈希方法，从而增强这两个重要过程之间的反馈，并在图像检索任务中胜过其他基线算法。

Jul, 2017

本文提出一种半监督的深度哈希方法，通过同时保留语义相似性和基础数据结构来更有效地学习哈希函数。实验结果表明，该方法在 5 个常用数据集上优于现有的哈希方法。

Jul, 2016

本文提出了一种名为 deep pairwise-supervised hashing (DPSH) 的深度哈希方法，旨在为具有成对标签的应用程序执行同时特征学习和哈希码学习。 实验表明，我们的 DPSH 方法可以胜过其他方法，在图像检索应用中实现最先进的性能。

Nov, 2015

本文提出了一种新的深度哈希方法，称为监督分层深度哈希（SHDH），该方法在层次化分类数据的哈希编码学习方面优于现有方法，设计了一种新的相似度公式和深度卷积神经网络来实现图像检索任务。

Apr, 2017

本文提出了一种基于三元组标签的深度哈希方法，通过最大化给定三元组标签的可能性，同时实现图像特征学习和哈希码学习，相比于传统哈希方法和基于成对标签的深度哈希方法 (DPSH), 在 CIFAR-10 和 NUS-WIDE 数据集上实现了更好的性能。

Dec, 2016

提出了一种名为密度敏感哈希（DSH）算法，它是局部敏感哈希（LSH）的扩展，利用数据的几何结构避免了纯随机投影的限制，并在大规模高维数据搜索中取得更好的性能。

May, 2012

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 Semantic-Aware DIscrete Hashing（SADIH）框架，旨在将转换后的语义信息直接嵌入到不对称相似度逼近和判别式哈希函数学习中，以克服监督哈希中全面保留对成对相似度的学习过程过于昂贵且无法扩展以处理大数据的问题。在多个大规模数据集上的实验结果表明，我们的 SADIH 可以明显优于最先进的基线，同时具有更低的计算成本。

Apr, 2019

本文通过将标签信息纳入模型的训练，将原始的自动编码双瓶颈哈希模型推广为一种有监督的深度哈希网络，着重考虑多标签数据集中的类不平衡问题，并在三个数据集上进行实验，取得了显著的提高。

Jun, 2023