本文提出了一种新的在线图像哈希方案，称为快速类内更新在线哈希（FCOH），采用了一种全新且高效的内积运算，通过引入类内更新方法及半松弛优化，提高在线适应性并加快训练速度，同时通过实验证明与多种最先进方法相比能够提供卓越的性能。

Dec, 2020

本研究提出了一种互信息学习的哈希方法 MIHash，可以在在线和批处理设置中使用，有效地减少哈希表重新计算并学习具有高质量的哈希函数，在 2.5M 图像数据集上取得了良好的表现。

Mar, 2017

本研究提出一种基于相似度分布的在线哈希方法 (SDOH)，采用高斯归一化处理来解决极不平衡分布问题并通过最小化 KL 散度来对齐相似度分布，最后在三个广泛使用的基准测试中验证了该方法的优越性。

May, 2019

本文提出了一种新的在线图像哈希方案 ——Hadamard 矩阵指导的在线哈希（HMOH），通过引入 Hadamard 矩阵，将学习哈希函数的过程看作一组二进制分类问题，以适应分配的目标代码，并通过 LSH 对齐目标代码和学习到的二进制代码的长度，该方法在各种最先进方法上表现出卓越的准确性和效率。

May, 2019

本文提出一种新的基于对称图正则化的在线离散哈希方法 BSODH，通过一个平衡相似和相异权重的平衡相似性方法，解决了应用离散优化时可能遇到的数据不均衡问题，并在三个广泛使用的基准测试中进行广泛实验，证明了该方法的优势。

Jan, 2019

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

本文提出了一种新的哈希相似匹配方案 —— 局部优化哈希（LOH），该方案是基于一种最先进的量化算法的。LOH 可用于高效的大规模搜索、推荐、聚类和去重。我们进一步展示了 LOH 的应用：a）大规模搜索任务中，性能与其他最先进的哈希方式相当；b）大规模推荐中，可使用由数千幅图像组成的查询，从数亿图像的集合中生成准确的推荐；c）利用基于图形的算法进行高效聚类，该算法可在分布式环境中扩展到海量收藏品，或用于小集合的去重，如搜索结果，其性能优于传统哈希方案，仅需几毫秒运行。在本文中，我们在最多 1 亿张图片的数据集上进行实验，但实际上我们的系统可以扩展到更大的收藏品，并可用于在欧几里得空间中具有向量表示的其他类型的数据。

Apr, 2016

该研究提出了一种新的哈希方法，名为 Ordinal Constraint Hashing（OCH），其使用基于图的近似来嵌入排序关系，并通过排序级数约束投影减少排序图的大小。此外，该方法还通过松散约束和特定的随机梯度下降算法来有效地学习这些哈希函数。实验表明，OCH 方法在三个大规模的视觉搜索基准数据集上具有优异的性能。

Nov, 2016

本文提出了一种新的基于监督离散哈希（SDH）的学习型哈希方法，称为快速监督离散哈希（FSDH）。FSDH 使用一种简单但有效的回归方法来加速算法，具有封闭的解决方案，只需要单个哈希代码求解步骤，非常高效。作者的实验结果表明，FSDH 不仅快速，而且优于其他比较方法。

Apr, 2019

该论文研究了哈希在机器学习中降维的基本用途，比较了各种哈希方案的性能，主要关注该领域中的两个应用：相似度估计与特征哈希。作者发现 Dahlgaard 等人的混合制表哈希是一种在许多应用中表现良好的伪随机哈希函数，其性能与真随机哈希函数相似，比 MurmurHash3 快 40%。

Nov, 2017