多标签图像检索中的实例加权中心相似度
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
本文介绍了一种基于深度神经网络和实例感知图像表示的图像哈希方法，旨在解决多标签图像检索中单哈希码表示的不足，并在多个基准数据集上进行了广泛评估，证明了该方法可以显著提高语义哈希和类别感知哈希的检索性能。
Mar, 2016
提出了一种查询自适应的深度加权哈希方法（QaDWH），通过加权汉明距离，可以对不同查询进行细粒度排名的细节图像检索方法，并在四个广泛使用的数据集上展示了其超越八个现有最先进哈希方法的实验结果。
Dec, 2016
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
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
本文提出了一种全局相似度度量方法——中心相似度，并引入哈希中心的概念，在哈希空间内寻找离散且相互之间距离足够远的数据点，通过构建哈达玛矩阵和伯努利分布的方法实现哈希中心的有效构建，提出了一种优化数据点间哈希中心间中心相似度的方法CSQ，此方法在图像和视频哈希场景中均适用，大规模的图像和视频检索实验表明，CSQ可以为相似数据对生成连贯的哈希码，为非相似数据对生成离散的哈希码，在检索效率方面取得了3％-20％的提升。
Aug, 2019
多视角异构数据的哈希表示学习是提高多媒体检索准确性的关键，现有方法利用局部相似性，并未充分融合多视角特征，导致检索准确性较差。本文提出了一种新颖的中心相似性多视图哈希(CSMVH)方法来解决这些问题，采用中心相似性学习来解决局部相似性问题，能够利用哈希中心和样本之间的全局相似性。丰富的实证数据表明，基于门控融合的方法优于常规方法。在MS COCO和NUS-WIDE数据集上，所提出的CSMVH方法的性能比现有方法大幅提高（平均精确度（mAP）提高高达11.41%）。
Aug, 2023