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

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

本文提出了一种深度学习结构的监督哈希方法，其中图像通过经过精心设计的卷积神经网络映射为二进制代码，通过三个构建模块的流水线过程（卷积子网络，划分编码模块和三元组排序损失），实现最近邻搜索的高效率和精确度。

Apr, 2015

本文提出了一种简单而有效的有监督深度哈希方法，构建了来自标记数据的二进制哈希代码，用于大规模图像搜索，在此基础上，哈希函数作为深度网络中的一个潜在层得到构建，最小化分类错误和其他理想哈希代码属性上的目标函数，以实现联合学习的图像表示，哈希代码和分类，从而可应用于大规模数据集。

Jul, 2015

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

本文提出了一种名为BWNH的新方法，旨在通过哈希训练二进制权重网络，以实现高效的网络推理。实验证明，该方法在CIFAR10、CIFAR100和ImageNet数据集上的性能均优于当前状态-of-the-art方法。

Feb, 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

本文介绍了一种基于GANs的新型监督哈希方法Deep Semantic Hashing，通过针对大规模图像检索任务，利用半监督生成对抗网络在非标注大规模图像数据集和少量标注数据集的基础上生成高质量的综合数据，以此提升哈希搜索技术的效果和精度。实验证明，该方法比当前的深度哈希模型有着更好的效果。

Apr, 2018

通过深度神经网络将输入图像映射为简单的二进制哈希码，从而实现有效的大规模图像检索。我们提出了一种名为HybridHash的混合卷积和自注意力深度哈希方法，通过引入分阶段架构的骨干网络和块聚合函数来实现局部自注意力效果，并降低计算复杂性，以提高图像块之间的信息交流和视觉表示。实验结果表明，本文提出的方法在三个广泛使用的数据集上具有优越的性能，超过了现有的深度哈希方法。

May, 2024