SPgydF4y2Ba 科学的规划gydF4y2Ba 1875 - 919 xgydF4y2Ba 1058 - 9244gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/2424381gydF4y2Ba 2424381gydF4y2Ba 研究文章gydF4y2Ba AVBH:不对称的学习与散列变量编码gydF4y2Ba https://orcid.org/0000 - 0003 - 4811 - 6486gydF4y2Ba 任gydF4y2Ba YanduogydF4y2Ba https://orcid.org/0000 - 0003 - 4245 - 3246gydF4y2Ba 钱gydF4y2Ba JiangbogydF4y2Ba 越南盾gydF4y2Ba 弘gydF4y2Ba 鑫gydF4y2Ba 余gydF4y2Ba 陈gydF4y2Ba HuahuigydF4y2Ba 首歌gydF4y2Ba 爱宝gydF4y2Ba 电气工程和计算机科学的教授gydF4y2Ba 宁波大学gydF4y2Ba 宁波gydF4y2Ba 浙江315211年gydF4y2Ba 中国gydF4y2Ba nbu.edu.cngydF4y2Ba 2020年gydF4y2Ba 21gydF4y2Ba 1gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 16gydF4y2Ba 10gydF4y2Ba 2019年gydF4y2Ba 10gydF4y2Ba 12gydF4y2Ba 2019年gydF4y2Ba 21gydF4y2Ba 1gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020任Yanduo et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

近邻搜索(NNS)是大型数据检索的核心。学习哈希是一种有效的方法来解决这个问题,表示高维数据到一个紧凑的二进制代码。然而,现有学习哈希方法需要长一些编码,以确保查询的准确性,和长编码带来的存储大量成本,严格限制长一些编码在大数据的应用。非对称学习与变量位哈希编码算法(AVBH)提出解决问题。AVBH散列算法使用两种类型的哈希映射函数编码数据集和查询设置成不同的长度。散列码频率的数据集,数据集随机傅里叶特征编码后统计分析。高频率的散列码是压缩成一个长编码表示,和低频率的散列码是压缩成一个较短的编码表示。查询点是量子化的长一些散列码长度并与相同的级联连接数据点。公共数据集的实验表明,该算法有效地降低了存储的成本,提高了查询的准确性。gydF4y2Ba

 浙江省自然科学基金gydF4y2Ba LZ20F020001gydF4y2Ba LY20F020009gydF4y2Ba 中国国家自然科学基金gydF4y2Ba 61472194gydF4y2Ba 61572266gydF4y2Ba 宁波大学gydF4y2Ba 1。介绍gydF4y2Ba

给定一个查询对象/点gydF4y2Ba 问gydF4y2Ba 和一个数据集gydF4y2Ba 年代gydF4y2Ba 最近的邻居搜索(NNS) [gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 3gydF4y2Ba是返回最近的邻国gydF4y2Ba 年代gydF4y2Ba 来gydF4y2Ba 问gydF4y2Ba 。如今,等得到广泛应用于许多应用程序图像检索,文本分类和推荐系统。然而,随着数据规模和灾难的指数增长数据维数高,得到的问题是现在比以前更加难以解决。因此,新的高效的索引结构和查询算法的相似性搜索越来越成为研究的焦点问题。gydF4y2Ba

hashing-based海军新闻方法(gydF4y2Ba 3gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba吸引了太多的关注。一般来说,散列方法可以项目位置的原始数据保存到一个低维汉明空间,即。、二进制代码(gydF4y2Ba 4gydF4y2Ba- - - - - -gydF4y2Ba 6gydF4y2Ba]。这些方法总是在次线性时间的复杂性。此外,哈希方法只需要一个简单的位操作从汉明编码计算相似度,这是非常快的。高性能的大规模数据检索,散列技术得到了越来越多的兴趣在促进cross-view检索任务(gydF4y2Ba 7gydF4y2Ba,gydF4y2Ba 8gydF4y2Ba),在线检索任务(gydF4y2Ba 9gydF4y2Ba),和度量学习任务gydF4y2Ba 10gydF4y2Ba]。gydF4y2Ba

对于大规模数据检索,时间和空间成本是两个重要的问题。正如我们所知,现有散列方法的准确性由哈希编码的长度有限,通常需要较长的编码得到更好的精度。然而,很长一段编码空间成本将会增加,网络通信开销和响应时间。gydF4y2Ba

为了解决这个问题,一个编码量化机制(gydF4y2Ba 11gydF4y2Ba)基于不对称的散列算法(gydF4y2Ba 12gydF4y2Ba提出了]。不同于直接散列码的比较,通过级联连接数据点的编码相同的查询的编码长度,有效减少数据集的编码存储成本并确保结果的准确性。然而,该算法使用一个统一的为所有的数据压缩方法,忽略了数据分布的影响。实际上,大规模数据的分布通常是不均匀的。因此,对于大多数的散列算法,量化的频率也不同。正如我们所知,长编码可以保留大部分的原始信息;但是,它会带来高成本,反之亦然。仔细权衡了精度,计算开销和节省空间的需要进行了研究。直观地、高密度数据需要更长的长度编码,以确保尽可能地保留了原始信息,而低密度数据可以使用较短的编码长度,仍然保留最原始的信息。这是我们的算法背后的想法。gydF4y2Ba

在本文中,一个不对称的学习与散列变量(AVBH)的编码算法。AVBH使用两种类型的哈希映射函数来量化数据集和查询组分别编码具有不同长度的散列码位。特别是数据集的频率计算随机傅里叶编码,然后用高频随机傅里叶编码压缩成一个再散列码表示,与低频随机傅里叶编码压缩成一个较短的散列码表示。gydF4y2Ba

本文的主要贡献如下:(1)一个变量位编码机制(名为AVBH)提出了基于散列码频率压缩,使编码空间的有效利用,和(2)实验表明,AVBH可以有效降低存储成本,提高查询的准确性。gydF4y2Ba

 2。预赛和描述gydF4y2Ba

在本节中,我们回顾一些激光冲徊化的基本知识(locality-sensitive散列)gydF4y2Ba 13gydF4y2Ba- - - - - -gydF4y2Ba 15gydF4y2Ba),矢量量化(gydF4y2Ba 16gydF4y2Ba),和产品量化(gydF4y2Ba 17gydF4y2Ba),我们建议的技术至关重要。gydF4y2Ba

2.1。矢量量化gydF4y2Ba

矢量量化(VQ)是一个经典的数据压缩技术,将原始数据压缩成离散向量。为一个向量gydF4y2Ba xgydF4y2Ba 的gydF4y2Ba ngydF4y2Ba 维度、正式一个矢量函数gydF4y2Ba fgydF4y2Ba 可以指定为gydF4y2Ba fgydF4y2Ba xgydF4y2Ba ∈gydF4y2Ba CgydF4y2Ba =gydF4y2Ba cgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba ,在那里gydF4y2Ba xgydF4y2Ba (与gydF4y2Ba ngydF4y2Ba 维)是一个原始数据/向量,gydF4y2Ba CgydF4y2Ba 是一个pretrained代码集,gydF4y2Ba cgydF4y2Ba 我gydF4y2Ba 是码字的码gydF4y2Ba CgydF4y2Ba 。一个矢量函数的目的是量化原始实数向量最近的码字VQ最低的损失。在这里,矢量量化向量的损失gydF4y2Ba xgydF4y2Ba 是由gydF4y2Ba (1)gydF4y2Ba EgydF4y2Ba vgydF4y2Ba 问gydF4y2Ba xgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba cgydF4y2Ba ∈gydF4y2Ba CgydF4y2Ba xgydF4y2Ba −gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

2.2。产品量化gydF4y2Ba

产品量化(PQ)是一种优化的矢量量化。首先,特征空间分为gydF4y2Ba 米gydF4y2Ba 相互排斥的子空间,然后每个子空间量子化的单独使用矢量量化。也就是说,每个子空间形成了一个小型的编码速率gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 米gydF4y2Ba 一个大码和小码形式gydF4y2Ba CgydF4y2Ba 笛卡儿积。在这个方法中,可以分解为一个高维数据gydF4y2Ba 米gydF4y2Ba 低维空间,可以并行处理。假设一个对象gydF4y2Ba xgydF4y2Ba 是表示成一个组合gydF4y2Ba 米gydF4y2Ba 码字gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 米gydF4y2Ba ,产品的损失量化向量gydF4y2Ba xgydF4y2Ba 是由gydF4y2Ba (2)gydF4y2Ba EgydF4y2Ba pgydF4y2Ba 问gydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba cgydF4y2Ba ∈gydF4y2Ba CgydF4y2Ba xgydF4y2Ba −gydF4y2Ba cgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba cgydF4y2Ba ∈gydF4y2Ba CgydF4y2Ba xgydF4y2Ba −gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba TgydF4y2Ba cgydF4y2Ba 2gydF4y2Ba TgydF4y2Ba ⋮gydF4y2Ba cgydF4y2Ba 米gydF4y2Ba TgydF4y2Ba TgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

2.3。随机傅里叶特征gydF4y2Ba

传统的降维方法,如主成分分析、独立数据映射到特征空间和计算主要的独立特性。这种方法忽略了样本分布的非线性信息,不能适用于实际的数据。基于特征映射的方法随机傅里叶特征(复位触发器),数据映射到特征空间下的近似核函数,和任意两个点在特征空间的内积核函数值来近似。与PCA方法相比,复位触发器可以最大化数据分布信息和获取的空间特征通过减少维度或提高维度。这种类型的特点是适用于特征压缩处理。SKLSH [gydF4y2Ba 18gydF4y2Ba]是一种经典的散列算法基于复位触发器,它有很好的实验结果在漫长的数字编码。gydF4y2Ba

编码长度散列算法首先从原始地图样本点gydF4y2Ba ngydF4y2Ba 维度真实的空间gydF4y2Ba ngydF4y2Ba 近似的内核函数特征空间的维度复位触发器。因为复位触发器一致性收敛的,任何两个采样点之间的相似核函数可以维护。gydF4y2Ba

具体来说,有两个点gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ,翻译不变的内核函数(gydF4y2Ba 12gydF4y2Ba]gydF4y2Ba KgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba EgydF4y2Ba ΦgydF4y2Ba wgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ΦgydF4y2Ba wgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ygydF4y2Ba 满足以下方程:gydF4y2Ba (3)gydF4y2Ba KgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba KgydF4y2Ba xgydF4y2Ba +gydF4y2Ba ηgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba +gydF4y2Ba ηgydF4y2Ba =gydF4y2Ba KgydF4y2Ba xgydF4y2Ba −gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba KgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ≤gydF4y2Ba KgydF4y2Ba xgydF4y2Ba −gydF4y2Ba xgydF4y2Ba =gydF4y2Ba KgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ΦgydF4y2Ba wgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba 因为gydF4y2Ba wgydF4y2Ba TgydF4y2Ba xgydF4y2Ba +gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 满足之间均匀分布gydF4y2Ba 0,2gydF4y2Ba πgydF4y2Ba ,gydF4y2Ba wgydF4y2Ba 服从的概率分布gydF4y2Ba PgydF4y2Ba KgydF4y2Ba 翻译引起的不变的内核函数,gydF4y2Ba ηgydF4y2Ba 是一个常数参数。gydF4y2Ba

因此,映射的gydF4y2Ba ngydF4y2Ba 维空间的特征空间gydF4y2Ba dgydF4y2Ba 维近似核函数可以得到以下方程:gydF4y2Ba (4)gydF4y2Ba ΦgydF4y2Ba dgydF4y2Ba ⋅gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba dgydF4y2Ba ΦgydF4y2Ba wgydF4y2Ba 1gydF4y2Ba bgydF4y2Ba 1gydF4y2Ba ⋅gydF4y2Ba ,gydF4y2Ba ΦgydF4y2Ba wgydF4y2Ba 2gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba ⋅gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ΦgydF4y2Ba wgydF4y2Ba dgydF4y2Ba bgydF4y2Ba dgydF4y2Ba ⋅gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba wgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba wgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba wgydF4y2Ba dgydF4y2Ba 是同样的抽样概率分布服从gydF4y2Ba PgydF4y2Ba KgydF4y2Ba 和gydF4y2Ba bgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba dgydF4y2Ba 服从均匀分布的分布相同采样之间的服从gydF4y2Ba 0,2gydF4y2Ba πgydF4y2Ba 。当翻译不变的内核函数是高斯核函数,gydF4y2Ba KgydF4y2Ba xgydF4y2Ba −gydF4y2Ba ygydF4y2Ba =gydF4y2Ba egydF4y2Ba −gydF4y2Ba ygydF4y2Ba /gydF4y2Ba 2gydF4y2Ba xgydF4y2Ba −gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba PgydF4y2Ba KgydF4y2Ba 是一个高斯分布,即gydF4y2Ba PgydF4y2Ba KgydF4y2Ba ∼gydF4y2Ba 正常的gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba γgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

 2.4。普罗克汝斯忒斯正交问题gydF4y2Ba

普罗克汝斯忒斯正交问题是解决一个正交变换矩阵gydF4y2Ba OgydF4y2Ba ,所以gydF4y2Ba PgydF4y2Ba OgydF4y2Ba 是接近gydF4y2Ba 问gydF4y2Ba ,例如,gydF4y2Ba (5)gydF4y2Ba ΓgydF4y2Ba OgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba OgydF4y2Ba PgydF4y2Ba OgydF4y2Ba −gydF4y2Ba 问gydF4y2Ba FgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba OgydF4y2Ba TgydF4y2Ba OgydF4y2Ba =gydF4y2Ba 我gydF4y2Ba 。这个公式并不容易被直接解决,它可以通过交替优化优化。也就是说,这个矩阵gydF4y2Ba PgydF4y2Ba 第一个是固定的,和矩阵gydF4y2Ba 问gydF4y2Ba 优化的目标函数值降低。然后矩阵gydF4y2Ba 问gydF4y2Ba 是固定的,正交变换矩阵gydF4y2Ba OgydF4y2Ba 优化的目标函数值降低。gydF4y2Ba

 3所示。不对称的学习与散列变量编码gydF4y2Ba 3.1。算法框架gydF4y2Ba

对于一般的散列算法,散列码的长度通过学习总是固定的。AVBH使用不对称的散列算法的概念,也就是说,数据集的散列码是短暂而不固定的,和查询的代码很长,固定的。AVBH散列算法的步骤如图所示gydF4y2Ba 1gydF4y2Ba,主要包括数据编码步骤①-③和查询点编码步骤④。gydF4y2Ba

AVBH的算法框架。gydF4y2Ba

数据编码部分由两个阶段组成:傅里叶特征编码(复位触发器编码)和随机变量编码(AVBH编码)。首先,步骤①使用傅里叶特征(复位触发器)随机地图数据集和复位触发器编码。复位触发器编码后,考虑到复位触发器的区别编码频率,复位触发器编码步骤②中频率进行排序。根据要求,原始数据集的子集可以分为复位触发器代码的长度gydF4y2Ba kgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba lgydF4y2Ba 图所示。如步骤③所示,AVBH子集编码的长度gydF4y2Ba kgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba lgydF4y2Ba 可以通过复制复制gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba lgydF4y2Ba 时间顺序的汉明码gydF4y2Ba ngydF4y2Ba 维形成。gydF4y2Ba

在查询点编码部分,查询点量化编码到复位触发器编码长度gydF4y2Ba ngydF4y2Ba ④通过一步。gydF4y2Ba

 3.2。目标函数gydF4y2Ba

AVBH方法得到的目标gydF4y2Ba lgydF4y2Ba 组的哈希编码的长度gydF4y2Ba kgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba lgydF4y2Ba 通过哈希函数gydF4y2Ba GgydF4y2Ba xgydF4y2Ba ,即gydF4y2Ba (6)gydF4y2Ba BgydF4y2Ba lgydF4y2Ba =gydF4y2Ba bgydF4y2Ba 11gydF4y2Ba bgydF4y2Ba 12gydF4y2Ba ⋯gydF4y2Ba bgydF4y2Ba 1gydF4y2Ba NgydF4y2Ba lgydF4y2Ba bgydF4y2Ba 21gydF4y2Ba bgydF4y2Ba 22gydF4y2Ba ⋯gydF4y2Ba bgydF4y2Ba 2gydF4y2Ba NgydF4y2Ba lgydF4y2Ba ⋮gydF4y2Ba ⋮gydF4y2Ba ⋱gydF4y2Ba ⋮gydF4y2Ba bgydF4y2Ba kgydF4y2Ba lgydF4y2Ba 1gydF4y2Ba bgydF4y2Ba kgydF4y2Ba lgydF4y2Ba 2gydF4y2Ba ⋯gydF4y2Ba bgydF4y2Ba kgydF4y2Ba lgydF4y2Ba NgydF4y2Ba lgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba lgydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba lgydF4y2Ba ,gydF4y2Ba lgydF4y2Ba ∈gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba NgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba NgydF4y2Ba lgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba kgydF4y2Ba lgydF4y2Ba 。gydF4y2Ba

将数据集gydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba lgydF4y2Ba 根据复位触发器编码频率成子集。通过级联gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba lgydF4y2Ba 次,分别,我们可以得到gydF4y2Ba lgydF4y2Ba 集团gydF4y2Ba ngydF4y2Ba 散列码。例如,gydF4y2Ba (7)gydF4y2Ba BgydF4y2Ba ∼gydF4y2Ba lgydF4y2Ba =gydF4y2Ba BgydF4y2Ba lgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba BgydF4y2Ba lgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba lgydF4y2Ba TgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba lgydF4y2Ba ∈gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba lgydF4y2Ba 。gydF4y2Ba

然后结合gydF4y2Ba BgydF4y2Ba ∼gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ∼gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba ∼gydF4y2Ba lgydF4y2Ba 得到一个gydF4y2Ba ngydF4y2Ba 有点长哈希代码的整个数据集gydF4y2Ba BgydF4y2Ba ∈gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ×gydF4y2Ba NgydF4y2Ba 。AVBH方法计算通过计算的相似度之间的汉明距离查询点的散列码和查询过程中连接数据集。因此,对于数据集,我们需要构建哈希映射函数,这样gydF4y2Ba lgydF4y2Ba 集团获得的散列码的长度gydF4y2Ba kgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba lgydF4y2Ba 分别可以尽可能多的保留原始信息。因此,AVBH方法得到的哈希映射函数重建误差(gydF4y2Ba 8gydF4y2Ba)之间的最低级联编码gydF4y2Ba BgydF4y2Ba 和gydF4y2Ba ngydF4y2Ba 维样本向量gydF4y2Ba YgydF4y2Ba :gydF4y2Ba (8)gydF4y2Ba 损失gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba RgydF4y2Ba BgydF4y2Ba −gydF4y2Ba YgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba RgydF4y2Ba 是一种正交旋转gydF4y2Ba ngydF4y2Ba ×gydF4y2Ba ngydF4y2Ba 矩阵,即gydF4y2Ba RgydF4y2Ba TgydF4y2Ba RgydF4y2Ba =gydF4y2Ba RgydF4y2Ba RgydF4y2Ba TgydF4y2Ba =gydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

结合的属性关联矩阵和的定义gydF4y2Ba FgydF4y2Ba规范的矩阵,我们可以得到以下方程:gydF4y2Ba (9)gydF4y2Ba 损失gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba RgydF4y2Ba BgydF4y2Ba −gydF4y2Ba YgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba trgydF4y2Ba RgydF4y2Ba BgydF4y2Ba −gydF4y2Ba YgydF4y2Ba TgydF4y2Ba RgydF4y2Ba BgydF4y2Ba −gydF4y2Ba YgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba trgydF4y2Ba RgydF4y2Ba BgydF4y2Ba TgydF4y2Ba RgydF4y2Ba BgydF4y2Ba +gydF4y2Ba trgydF4y2Ba YgydF4y2Ba TgydF4y2Ba YgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba RgydF4y2Ba BgydF4y2Ba YgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

作为未知变量gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba RgydF4y2Ba 在公式(gydF4y2Ba 8gydF4y2Ba)产品的关系,扩大公式(gydF4y2Ba 9gydF4y2Ba)包含两项未知变量,所以很难解决。进一步简化后,我们可以得到以下公式:gydF4y2Ba (10)gydF4y2Ba 损失gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba RgydF4y2Ba BgydF4y2Ba −gydF4y2Ba YgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba trgydF4y2Ba RgydF4y2Ba BgydF4y2Ba TgydF4y2Ba RgydF4y2Ba BgydF4y2Ba +gydF4y2Ba trgydF4y2Ba YgydF4y2Ba TgydF4y2Ba YgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba RgydF4y2Ba BgydF4y2Ba YgydF4y2Ba TgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba trgydF4y2Ba BgydF4y2Ba TgydF4y2Ba RgydF4y2Ba TgydF4y2Ba RgydF4y2Ba BgydF4y2Ba +gydF4y2Ba trgydF4y2Ba YgydF4y2Ba TgydF4y2Ba YgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba RgydF4y2Ba BgydF4y2Ba YgydF4y2Ba TgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba trgydF4y2Ba BgydF4y2Ba TgydF4y2Ba BgydF4y2Ba +gydF4y2Ba trgydF4y2Ba YgydF4y2Ba TgydF4y2Ba YgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba RgydF4y2Ba BgydF4y2Ba YgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

作为gydF4y2Ba BgydF4y2Ba ∈gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ×gydF4y2Ba NgydF4y2Ba ,很容易得到的gydF4y2Ba trgydF4y2Ba BgydF4y2Ba TgydF4y2Ba BgydF4y2Ba =gydF4y2Ba ngydF4y2Ba NgydF4y2Ba 。作为gydF4y2Ba RgydF4y2Ba TgydF4y2Ba RgydF4y2Ba =gydF4y2Ba 我gydF4y2Ba ,我们可以得到gydF4y2Ba YgydF4y2Ba 无关gydF4y2Ba BgydF4y2Ba 和gydF4y2Ba RgydF4y2Ba 。作为一个结果,gydF4y2Ba trgydF4y2Ba YgydF4y2Ba TgydF4y2Ba YgydF4y2Ba =gydF4y2Ba cgydF4y2Ba ,在那里gydF4y2Ba cgydF4y2Ba 无关gydF4y2Ba BgydF4y2Ba 。因此公式(gydF4y2Ba 10gydF4y2Ba)简化如下:gydF4y2Ba (11)gydF4y2Ba 损失gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba RgydF4y2Ba BgydF4y2Ba −gydF4y2Ba YgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba trgydF4y2Ba BgydF4y2Ba TgydF4y2Ba BgydF4y2Ba +gydF4y2Ba trgydF4y2Ba YgydF4y2Ba TgydF4y2Ba YgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba RgydF4y2Ba BgydF4y2Ba YgydF4y2Ba TgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba trgydF4y2Ba BgydF4y2Ba TgydF4y2Ba BgydF4y2Ba +gydF4y2Ba trgydF4y2Ba YgydF4y2Ba TgydF4y2Ba RgydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba RgydF4y2Ba BgydF4y2Ba YgydF4y2Ba TgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ngydF4y2Ba NgydF4y2Ba +gydF4y2Ba cgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba BgydF4y2Ba TgydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba trgydF4y2Ba BgydF4y2Ba TgydF4y2Ba BgydF4y2Ba +gydF4y2Ba trgydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba TgydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba BgydF4y2Ba TgydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba trgydF4y2Ba BgydF4y2Ba −gydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba TgydF4y2Ba BgydF4y2Ba −gydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba BgydF4y2Ba −gydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

因此,减少重新配置错误(gydF4y2Ba 8gydF4y2Ba)=减少量化误差(gydF4y2Ba 11gydF4y2Ba)。gydF4y2Ba

AVBH编码数据集的目标函数是最小化重建连接编码的错误gydF4y2Ba ngydF4y2Ba 通过正交旋转矩阵gydF4y2Ba RgydF4y2Ba 。在极端情况下的数据集是均匀分布的,没有显著差异的频率数据集的哈希编码,然后AVBH方法演变成一场ACH算法(gydF4y2Ba 16gydF4y2Ba]。与ACH散列算法相比,AVBH散列算法更适应真实的数据,因为它可以适应不同的数据分布和泛化能力更强。gydF4y2Ba

 3.3。优化算法gydF4y2Ba

目标函数(gydF4y2Ba 11gydF4y2Ba)可以通过交替优化优化。即旋转矩阵gydF4y2Ba RgydF4y2Ba 第一个是固定的,和编码矩阵gydF4y2Ba BgydF4y2Ba 优化的目标函数值降低。然后编码矩阵gydF4y2Ba BgydF4y2Ba 是固定和旋转矩阵gydF4y2Ba RgydF4y2Ba 优化的目标函数值降低。通过这种方式,目标函数的值降低,直到收敛。下面是讨论如何调优和优化目标函数的值。gydF4y2Ba

解决旋转矩阵gydF4y2Ba RgydF4y2Ba ,优化编码矩阵gydF4y2Ba BgydF4y2Ba 。gydF4y2Ba

鉴于gydF4y2Ba VgydF4y2Ba =gydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba ,gydF4y2Ba VgydF4y2Ba lgydF4y2Ba 米gydF4y2Ba 是一个矩阵是吗gydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 行gydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba kgydF4y2Ba 行,gydF4y2Ba lgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba kgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 列gydF4y2Ba lgydF4y2Ba ×gydF4y2Ba kgydF4y2Ba 列的gydF4y2Ba VgydF4y2Ba 。从公式(gydF4y2Ba 11gydF4y2Ba),我们可以得到以下方程:gydF4y2Ba

 (12)gydF4y2Ba 损失gydF4y2Ba 1gydF4y2Ba BgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ngydF4y2Ba NgydF4y2Ba +gydF4y2Ba cgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba BgydF4y2Ba TgydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ngydF4y2Ba NgydF4y2Ba +gydF4y2Ba cgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba trgydF4y2Ba BgydF4y2Ba ∼gydF4y2Ba lgydF4y2Ba TgydF4y2Ba VgydF4y2Ba lgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ngydF4y2Ba NgydF4y2Ba +gydF4y2Ba cgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba trgydF4y2Ba BgydF4y2Ba lgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba BgydF4y2Ba lgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba BgydF4y2Ba lgydF4y2Ba TgydF4y2Ba VgydF4y2Ba lgydF4y2Ba 1gydF4y2Ba VgydF4y2Ba lgydF4y2Ba 2gydF4y2Ba ⋮gydF4y2Ba VgydF4y2Ba lgydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba lgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ngydF4y2Ba NgydF4y2Ba +gydF4y2Ba cgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba trgydF4y2Ba BgydF4y2Ba lgydF4y2Ba TgydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba lgydF4y2Ba VgydF4y2Ba lgydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

作为gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba NgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 无关gydF4y2Ba BgydF4y2Ba 为一个固定的gydF4y2Ba RgydF4y2Ba 最小化的问题(gydF4y2Ba 12gydF4y2Ba)等于最大化的问题以下公式:gydF4y2Ba

 (13)gydF4y2Ba 损失gydF4y2Ba 1gydF4y2Ba BgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba 马克斯gydF4y2Ba ∑gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba trgydF4y2Ba BgydF4y2Ba lgydF4y2Ba TgydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba lgydF4y2Ba VgydF4y2Ba lgydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba ∑gydF4y2Ba lgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba lgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba lgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba lgydF4y2Ba BgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba lgydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba lgydF4y2Ba VgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba lgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba

作为gydF4y2Ba BgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba lgydF4y2Ba ∈gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,最佳的解析解公式(gydF4y2Ba 13gydF4y2Ba)是由gydF4y2Ba

 (14)gydF4y2Ba BgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba lgydF4y2Ba =gydF4y2Ba 标志gydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba lgydF4y2Ba VgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba lgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba lgydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba lgydF4y2Ba ,gydF4y2Ba lgydF4y2Ba ∈gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba lgydF4y2Ba 。gydF4y2Ba

固定的编码矩阵gydF4y2Ba BgydF4y2Ba ,优化旋转矩阵gydF4y2Ba RgydF4y2Ba 。gydF4y2Ba

下gydF4y2Ba RgydF4y2Ba TgydF4y2Ba RgydF4y2Ba =gydF4y2Ba RgydF4y2Ba RgydF4y2Ba TgydF4y2Ba =gydF4y2Ba 我gydF4y2Ba 最小化问题的公式(gydF4y2Ba 11gydF4y2Ba普罗克汝斯忒斯)等于正交问题[gydF4y2Ba 9gydF4y2Ba]。这类问题的最优解gydF4y2Ba RgydF4y2Ba 如下:gydF4y2Ba (15)gydF4y2Ba 损失gydF4y2Ba 2gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ngydF4y2Ba NgydF4y2Ba +gydF4y2Ba cgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba BgydF4y2Ba TgydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ngydF4y2Ba NgydF4y2Ba +gydF4y2Ba cgydF4y2Ba −gydF4y2Ba 2gydF4y2Ba trgydF4y2Ba YgydF4y2Ba BgydF4y2Ba TgydF4y2Ba RgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

因此,optmizing的问题gydF4y2Ba RgydF4y2Ba 的最小值公式(gydF4y2Ba 15gydF4y2Ba)等于最大化的问题以下公式:gydF4y2Ba (16)gydF4y2Ba 损失gydF4y2Ba 2gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba trgydF4y2Ba YgydF4y2Ba BgydF4y2Ba TgydF4y2Ba RgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

通过计算的圣言gydF4y2Ba YgydF4y2Ba BgydF4y2Ba TgydF4y2Ba ,我们可以得到以下公式:gydF4y2Ba (17)gydF4y2Ba YgydF4y2Ba BgydF4y2Ba TgydF4y2Ba =gydF4y2Ba UgydF4y2Ba ΩgydF4y2Ba CgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba UgydF4y2Ba 是一个矩阵由左奇异值向量,gydF4y2Ba CgydF4y2Ba 是一个矩阵的奇异值向量,由gydF4y2Ba ΩgydF4y2Ba 是一个对角矩阵,由相应的奇异值向量,其对角元素是gydF4y2Ba ΩgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba ≥gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

结合公式(gydF4y2Ba 16gydF4y2Ba)和(gydF4y2Ba 17gydF4y2Ba),我们可以得到以下方程:gydF4y2Ba (18)gydF4y2Ba 损失gydF4y2Ba 2gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba trgydF4y2Ba UgydF4y2Ba ΩgydF4y2Ba CgydF4y2Ba TgydF4y2Ba RgydF4y2Ba TgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba trgydF4y2Ba UgydF4y2Ba ΩgydF4y2Ba RgydF4y2Ba CgydF4y2Ba TgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba trgydF4y2Ba RgydF4y2Ba CgydF4y2Ba TgydF4y2Ba UgydF4y2Ba ΩgydF4y2Ba 。gydF4y2Ba

鉴于gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba RgydF4y2Ba CgydF4y2Ba TgydF4y2Ba UgydF4y2Ba ,gydF4y2Ba RgydF4y2Ba ∼gydF4y2Ba =gydF4y2Ba RgydF4y2Ba CgydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba 的对角元素gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba RgydF4y2Ba ∼gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba 分别代表了gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba thgydF4y2Ba 行gydF4y2Ba RgydF4y2Ba ∼gydF4y2Ba ,gydF4y2Ba UgydF4y2Ba 。由cauchy - schwarz不等式(gydF4y2Ba 11gydF4y2Ba,得到以下方程:gydF4y2Ba (19)gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba RgydF4y2Ba ∼gydF4y2Ba 我gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 当gydF4y2Ba RgydF4y2Ba ∼gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

因此公式(gydF4y2Ba 18gydF4y2Ba)可以写成公式(gydF4y2Ba 20.gydF4y2Ba):gydF4y2Ba (20)gydF4y2Ba 损失gydF4y2Ba 2gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba trgydF4y2Ba 一个gydF4y2Ba ΩgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba ΩgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

结合公式(gydF4y2Ba 19gydF4y2Ba),当gydF4y2Ba RgydF4y2Ba ∼gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba 公式(gydF4y2Ba 20.gydF4y2Ba)的最大价值。为gydF4y2Ba RgydF4y2Ba ∼gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba ,我们可以得到以下公式:gydF4y2Ba (21)gydF4y2Ba RgydF4y2Ba ∼gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba ⟺gydF4y2Ba RgydF4y2Ba ∼gydF4y2Ba =gydF4y2Ba UgydF4y2Ba ⟺gydF4y2Ba RgydF4y2Ba CgydF4y2Ba =gydF4y2Ba UgydF4y2Ba ⟺gydF4y2Ba RgydF4y2Ba CgydF4y2Ba CgydF4y2Ba TgydF4y2Ba =gydF4y2Ba UgydF4y2Ba CgydF4y2Ba TgydF4y2Ba ⟺gydF4y2Ba RgydF4y2Ba =gydF4y2Ba UgydF4y2Ba CgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba 当gydF4y2Ba RgydF4y2Ba =gydF4y2Ba UgydF4y2Ba CgydF4y2Ba TgydF4y2Ba 公式(gydF4y2Ba 16gydF4y2Ba)最大值,公式(gydF4y2Ba 15gydF4y2Ba)的最小值。因此,我们可以通过公式(得到最优结果gydF4y2Ba 21gydF4y2Ba)。gydF4y2Ba

 3.4。编码功能gydF4y2Ba 3.4.1。数据编码gydF4y2Ba

当目标函数值收敛,我们可以得到的映射函数gydF4y2Ba GgydF4y2Ba ygydF4y2Ba 1gydF4y2Ba 根据公式(AVBH的数据集gydF4y2Ba 14gydF4y2Ba),gydF4y2Ba ygydF4y2Ba 是随机傅里叶特性(复位触发器)的映射阶段获得的样本点吗gydF4y2Ba xgydF4y2Ba :gydF4y2Ba (22)gydF4y2Ba GgydF4y2Ba ygydF4y2Ba =gydF4y2Ba ggydF4y2Ba 1gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 2gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba kgydF4y2Ba lgydF4y2Ba ygydF4y2Ba =gydF4y2Ba 标志gydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba /gydF4y2Ba kgydF4y2Ba lgydF4y2Ba RgydF4y2Ba TgydF4y2Ba lgydF4y2Ba 米gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba lgydF4y2Ba ∈gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba lgydF4y2Ba 。gydF4y2Ba

3.4.2。查询点编码gydF4y2Ba

最优旋转矩阵gydF4y2Ba RgydF4y2Ba 能从培训中获得的数据集编码的过程。为数据gydF4y2Ba 问gydF4y2Ba 查询中,编码的主要目的是保持尽可能多的准确的信息,所以查询编码不需要压缩和映射到散列码的长度。结合公式(gydF4y2Ba 14gydF4y2Ba),我们可以得到AVBH查询集的映射函数:gydF4y2Ba (23)gydF4y2Ba FgydF4y2Ba 问gydF4y2Ba =gydF4y2Ba fgydF4y2Ba 1gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba fgydF4y2Ba 2gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba fgydF4y2Ba ngydF4y2Ba 问gydF4y2Ba =gydF4y2Ba 标志gydF4y2Ba RgydF4y2Ba TgydF4y2Ba 问gydF4y2Ba 。gydF4y2Ba

3.5。收敛性分析AVBHgydF4y2Ba

根据目标函数(gydF4y2Ba 8gydF4y2Ba),我们可以得到以下公式:gydF4y2Ba (24)gydF4y2Ba 损失gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba BgydF4y2Ba −gydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba BgydF4y2Ba −gydF4y2Ba DgydF4y2Ba −gydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba −gydF4y2Ba DgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba ≤gydF4y2Ba 最小值gydF4y2Ba BgydF4y2Ba −gydF4y2Ba DgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba −gydF4y2Ba DgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba BgydF4y2Ba −gydF4y2Ba DgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 最小值gydF4y2Ba DgydF4y2Ba −gydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba lgydF4y2Ba 1gydF4y2Ba BgydF4y2Ba +gydF4y2Ba lgydF4y2Ba 2gydF4y2Ba RgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba DgydF4y2Ba 是一个gydF4y2Ba ngydF4y2Ba ×gydF4y2Ba NgydF4y2Ba 常数矩阵和满足以下两个条件:(1)每个元素的迹象,即。,积极或消极gydF4y2Ba DgydF4y2Ba 是一样的,在吗gydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba 和(2)中的每个元素gydF4y2Ba DgydF4y2Ba 元素不大于相应的位置gydF4y2Ba RgydF4y2Ba TgydF4y2Ba YgydF4y2Ba 。gydF4y2Ba

因此,优化的目标gydF4y2Ba 损失gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba RgydF4y2Ba 转化为二次优化问题,即,gydF4y2Ba 损失gydF4y2Ba 1gydF4y2Ba BgydF4y2Ba 和gydF4y2Ba 损失gydF4y2Ba 2gydF4y2Ba RgydF4y2Ba 。具体地说,子问题gydF4y2Ba 损失gydF4y2Ba 1gydF4y2Ba BgydF4y2Ba 公式(gydF4y2Ba 14gydF4y2Ba)给出了最优解。因此,它可以保证配方的更新值(gydF4y2Ba 14gydF4y2Ba)是小于或等于之前获得的价值。的子问题gydF4y2Ba 损失gydF4y2Ba 2gydF4y2Ba RgydF4y2Ba 公式(gydF4y2Ba 21gydF4y2Ba)给出了最优解。因此,它也能保证更新后的值的公式(gydF4y2Ba 21gydF4y2Ba)是小于或等于之前获得的价值。gydF4y2Ba

结合两个部分的组合(gydF4y2Ba 14gydF4y2Ba)和(gydF4y2Ba 21gydF4y2Ba)可以保证更新的值小于等于在更新之前获得的价值。我们可以得出AVBH算法是收敛的。gydF4y2Ba

 4所示。实验结果gydF4y2Ba

实验计算机有英特尔酷睿i5 - 2410 m CPU和8 GB DDR3内存。我们比较的性能与几种典型AVBH散列方法:乙酰胆碱(gydF4y2Ba 12gydF4y2Ba],ITQ [gydF4y2Ba 19gydF4y2Ba],公里[gydF4y2Ba 20.gydF4y2Ba],PCAH [gydF4y2Ba 21gydF4y2Ba),和激光冲徊化gydF4y2Ba 13gydF4y2Ba]。gydF4y2Ba

4.1。实验数据集gydF4y2Ba 以下4.4.1。1 CIFAR-10 <一口> < /一口>gydF4y2Ba

它是一组60000 - 32×32 6000年10个类别,每个类别包含彩色图像图像。在这个实验中,320 - d要点为每个图像的数据集特征提取。我们随机选择1000图像作为测试数据和其余59000作为训练数据。训练数据,最接近50个数据点(基于欧氏距离)从测试数据点被认为是最近的邻国。gydF4y2Ba

 4.1.2。筛选2 <一口> < /一口>gydF4y2Ba

这是一个当地的筛选功能集包含1000000 128 - d图像。100000个样本图像被随机选中的训练数据和10000年其他样本图像作为测试数据。gydF4y2Ba

 4.1.3。依据<一口> 3 < /一口>gydF4y2Ba

它是一个全球性的要点包含960 - 1000000 d图像特性集。500000个样本图像被随机选中作为训练数据和1000年样本图像作为测试数据。gydF4y2Ba

 4.2。绩效评估gydF4y2Ba

AVBH的性能评价主要是通过查询的准确性之间的关系(精度)和召回率(回忆)。我们定义gydF4y2Ba (25)gydF4y2Ba 精度gydF4y2Ba =gydF4y2Ba 真正积极的结果gydF4y2Ba 真正积极的结果gydF4y2Ba +gydF4y2Ba 假阳性结果gydF4y2Ba ,gydF4y2Ba 回忆gydF4y2Ba =gydF4y2Ba 真正积极的结果gydF4y2Ba 真正积极的结果gydF4y2Ba +gydF4y2Ba 假阴性结果gydF4y2Ba 。gydF4y2Ba

为了公平,AVBH将平均编码长度的编码长度给定数据集下的其他方法。gydF4y2Ba

数据gydF4y2Ba 2gydF4y2Ba- - - - - -gydF4y2Ba 4gydF4y2Ba显示precision-recall曲线欧几里得邻居检索有关CIFAR-10的几种方法,筛选,依据欧几里得邻居地面实况。AVBH,我们的方法可以得到更好的精度性能的四个数据集。作为AVBH算法使用变量代码,代码总长度小于其他算法。因此,我们的方法有效地降低了存储的成本,提高了查询的准确性。gydF4y2Ba

precision-recall实验的比较不同的比特编码在Cifar10:(一)Cifar10, 16位;(b) Cifar10, 32位;(c) Cifar10, 64位;(d) Cifar10, 128位。gydF4y2Ba

precision-recall实验的比较不同的比特编码在筛选:(一)筛选,16位;(b)筛选,32位;(c)筛选,64位;(d)筛选,128位。gydF4y2Ba

precision-recall实验的比较不同的比特编码在要点:(一)要点,16位;(b)要点,32位;(c)要点,64位;(d)要点,128位。gydF4y2Ba

 5。结论gydF4y2Ba

在本文中,一个不对称的学习与散列变量编码算法。频率统计信息的随机傅里叶特征编码的数据集,我们压缩高频哈希码长和低频散列码编码表示成短编码表示。查询数据,我们量化长度长一点相同的散列码和比较级联连接数据点来获取最近的邻居。这将确保原始数据信息可以保存尽可能多的数据压缩的同时,最大化之间的平衡编码压缩和查询性能。开放的实验数据表明,该算法有效地降低了存储的成本,提高了查询的准确性。当我们使用两阶段算法框架生成的散列码,训练阶段大量的时间成本。在未来的工作中,我们将工作简化了训练过程。gydF4y2Ba

 数据可用性gydF4y2Ba

本文的实验数据集如下。(1)CIFAR-10(可用gydF4y2Ba http://www.cs.toronto.edu/∼kriz / cifar.htmlgydF4y2Ba):这是一组60000 - 32×32 6000年10个类别,每个类别包含彩色图像图像。在这个实验中,320 - d要点为每个图像的数据集特征提取。我们随机选择1000图像作为测试数据和其余59000作为训练数据。训练数据,最接近50个数据点(基于欧氏距离)从测试数据点被认为是最近的邻国。(2)筛选(可用gydF4y2Ba http://corpus-texmex.irisa.frgydF4y2Ba):这是一个当地的筛选功能集包含1000000 128 - d图像。100000个样本图像被随机选中的训练数据和10000年其他样本图像作为测试数据。(3)要点(可用gydF4y2Ba http://corpus-texmex.irisa.frgydF4y2Ba):这是一个全球性的要点包含960 - 1000000 d图像特性集。500000个样本图像被随机选中作为训练数据和1000年样本图像作为测试数据。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项工作的部分支持由浙江NSF(批准号。LZ20F020001和LY20F020009)和中国NSF(批准号61472194和61472194)以及项目由k . c . Wong在宁波大学麦格纳基金。gydF4y2Ba

 安安gydF4y2Ba c·S。gydF4y2Ba 哈特利gydF4y2Ba R。gydF4y2Ba 优化KD-trees快速图像描述符匹配gydF4y2Ba 2008年IEEE计算机学会学报计算机视觉与模式识别会议gydF4y2Ba 2008年6月gydF4y2Ba 美国安克雷奇,正义与发展党gydF4y2Ba IEEEgydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba 10.1109 / CVPR.2008.4587638gydF4y2Ba 2 - s2.0 - 51949097915gydF4y2Ba 沈gydF4y2Ba F。gydF4y2Ba 杨ydF4y2Ba X。gydF4y2Ba 李gydF4y2Ba lgydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 黄gydF4y2Ba Z。gydF4y2Ba 沈gydF4y2Ba h·T。gydF4y2Ba 无人监督的深度与similarity-adaptive散列和离散优化gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2018年gydF4y2Ba 40gydF4y2Ba 12gydF4y2Ba 3034年gydF4y2Ba 3044年gydF4y2Ba 10.1109 / tpami.2018.2789887gydF4y2Ba 2 - s2.0 - 85040639424gydF4y2Ba 曲gydF4y2Ba X。gydF4y2Ba 易gydF4y2Ba W。gydF4y2Ba 王gydF4y2Ba T。gydF4y2Ba 王gydF4y2Ba 年代。gydF4y2Ba 肖gydF4y2Ba lgydF4y2Ba 刘gydF4y2Ba Z。gydF4y2Ba 混合整数线性规划模型对助教的任务和扩展gydF4y2Ba 科学的规划gydF4y2Ba 2017年gydF4y2Ba 2017年gydF4y2Ba 7gydF4y2Ba 9057947gydF4y2Ba 10.1155 / 2017/9057947gydF4y2Ba 2 - s2.0 - 85010299086gydF4y2Ba 张gydF4y2Ba Z。gydF4y2Ba 邹gydF4y2Ba Q。gydF4y2Ba 王gydF4y2Ba Q。gydF4y2Ba 林gydF4y2Ba Y。gydF4y2Ba 李gydF4y2Ba Q。gydF4y2Ba 多标记图像检索实例相似度深散列gydF4y2Ba 2018年gydF4y2Ba https://arxiv.org/abs/1803.02987v1gydF4y2Ba 杨gydF4y2Ba H.-F。gydF4y2Ba 林gydF4y2Ba K。gydF4y2Ba 陈gydF4y2Ba c。gydF4y2Ba 监督学习通过深卷积神经网络semantics-preserving哈希gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2018年gydF4y2Ba 40gydF4y2Ba 2gydF4y2Ba 437年gydF4y2Ba 451年gydF4y2Ba 10.1109 / tpami.2017.2666812gydF4y2Ba 2 - s2.0 - 85040643919gydF4y2Ba BerchtoldgydF4y2Ba 年代。gydF4y2Ba KeimgydF4y2Ba d . A。gydF4y2Ba KriegelgydF4y2Ba h·P。gydF4y2Ba 采油树:高维度数据的索引结构gydF4y2Ba 《22日国际会议上非常大的数据基础gydF4y2Ba 1996年gydF4y2Ba 印度孟买gydF4y2Ba 28gydF4y2Ba 39gydF4y2Ba 沈gydF4y2Ba X。gydF4y2Ba 刘gydF4y2Ba W。gydF4y2Ba 曾荫权gydF4y2Ba i W。gydF4y2Ba 太阳gydF4y2Ba Q.-S。gydF4y2Ba 昂gydF4y2Ba Y.-S。gydF4y2Ba 通过cross-view Multilabel预测搜索gydF4y2Ba IEEE神经网络和学习系统gydF4y2Ba 2018年gydF4y2Ba 29日gydF4y2Ba 9gydF4y2Ba 4324年gydF4y2Ba 4338年gydF4y2Ba 10.1109 / tnnls.2017.2763967gydF4y2Ba 2 - s2.0 - 85033712672gydF4y2Ba 沈gydF4y2Ba X。gydF4y2Ba 沈gydF4y2Ba F。gydF4y2Ba 太阳gydF4y2Ba Q.-S。gydF4y2Ba 杨gydF4y2Ba Y。gydF4y2Ba 元gydF4y2Ba 中州。gydF4y2Ba 沈gydF4y2Ba h·T。gydF4y2Ba Semi-paired离散哈希:学习潜在的哈希码Semi-paired cross-view检索gydF4y2Ba IEEE控制论gydF4y2Ba 2016年gydF4y2Ba 47gydF4y2Ba 12gydF4y2Ba 4275年gydF4y2Ba 4288年gydF4y2Ba 10.1109 / tcyb.2016.2606441gydF4y2Ba 黄gydF4y2Ba l·K。gydF4y2Ba 杨gydF4y2Ba Q。gydF4y2Ba 郑gydF4y2Ba w·S。gydF4y2Ba 在线哈希gydF4y2Ba IEEE神经网络和学习系统gydF4y2Ba 2017年gydF4y2Ba 29日gydF4y2Ba 6gydF4y2Ba 2309年gydF4y2Ba 2322年gydF4y2Ba 10.1109 / TNNLS.2017.2689242gydF4y2Ba 2 - s2.0 - 85018651379gydF4y2Ba 布罗斯特gydF4y2Ba M . M。gydF4y2Ba 布罗斯特gydF4y2Ba a . M。gydF4y2Ba 米歇尔gydF4y2Ba F。gydF4y2Ba ParagiosgydF4y2Ba N。gydF4y2Ba 数据融合通过交叉模式度量学习使用similarity-sensitive散列gydF4y2Ba 学报》第23届IEEE计算机视觉与模式识别会议,CVPR 2010gydF4y2Ba 2010年6月gydF4y2Ba 旧金山,加州,美国gydF4y2Ba IEEEgydF4y2Ba 彩票gydF4y2Ba 一个。gydF4y2Ba PerronningydF4y2Ba F。gydF4y2Ba 龚gydF4y2Ba Y。gydF4y2Ba LazebnikgydF4y2Ba 年代。gydF4y2Ba 不对称二进制嵌入的距离gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2014年gydF4y2Ba 36gydF4y2Ba 1gydF4y2Ba 33gydF4y2Ba 47gydF4y2Ba 10.1109 / tpami.2013.101gydF4y2Ba 2 - s2.0 - 84890360780gydF4y2Ba LvgydF4y2Ba Y。gydF4y2Ba NggydF4y2Ba w·w·Y。gydF4y2Ba 曾gydF4y2Ba Z。gydF4y2Ba 杨gydF4y2Ba d S。gydF4y2Ba 陈gydF4y2Ba p p K。gydF4y2Ba 不对称的周期性大规模图像检索的散列gydF4y2Ba IEEE多媒体gydF4y2Ba 2015年gydF4y2Ba 17gydF4y2Ba 8gydF4y2Ba 1225年gydF4y2Ba 1235年gydF4y2Ba 10.1109 / tmm.2015.2437712gydF4y2Ba 2 - s2.0 - 84937205958gydF4y2Ba GionisgydF4y2Ba 一个。gydF4y2Ba 迪克gydF4y2Ba P。gydF4y2Ba MotwanigydF4y2Ba R。gydF4y2Ba 通过哈希相似性搜索在高维度gydF4y2Ba 8gydF4y2Ba 学报》第25届国际会议上非常大的数据基础gydF4y2Ba 1999年gydF4y2Ba 苏格兰爱丁堡gydF4y2Ba 2gydF4y2Ba 518年gydF4y2Ba 529年gydF4y2Ba 钱gydF4y2Ba J。gydF4y2Ba 朱gydF4y2Ba Q。gydF4y2Ba 陈gydF4y2Ba H。gydF4y2Ba 多粒度locality-sensitive布隆过滤器gydF4y2Ba IEEE计算机gydF4y2Ba 2015年gydF4y2Ba 64年gydF4y2Ba 12gydF4y2Ba 3500年gydF4y2Ba 3514年gydF4y2Ba 10.1109 / tc.2015.2401011gydF4y2Ba 2 - s2.0 - 84946944766gydF4y2Ba 邓gydF4y2Ba C。gydF4y2Ba 陈gydF4y2Ba Z。gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 高gydF4y2Ba X。gydF4y2Ba 道gydF4y2Ba D。gydF4y2Ba Triplet-based深散列跨通道网络检索gydF4y2Ba IEEE图像处理gydF4y2Ba 2018年gydF4y2Ba 27gydF4y2Ba 8gydF4y2Ba 3893年gydF4y2Ba 3903年gydF4y2Ba 10.1109 / tip.2018.2821921gydF4y2Ba 2 - s2.0 - 85046943763gydF4y2Ba SalakhutdinovgydF4y2Ba R。gydF4y2Ba 辛顿gydF4y2Ba G。gydF4y2Ba 语义哈希gydF4y2Ba 国际期刊的近似推理gydF4y2Ba 2009年gydF4y2Ba 50gydF4y2Ba 7gydF4y2Ba 969年gydF4y2Ba 978年gydF4y2Ba 10.1016 / j.ijar.2008.11.006gydF4y2Ba 2 - s2.0 - 67449128732gydF4y2Ba 香港gydF4y2Ba W。gydF4y2Ba 李gydF4y2Ba W.-J。gydF4y2Ba 各向同性的哈希gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2012年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba Curran Associates Inc .)gydF4y2Ba 1655年gydF4y2Ba 1663年gydF4y2Ba RaginskygydF4y2Ba M。gydF4y2Ba 从移不变的内核Locality-sensitive二进制代码gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2009年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba Curran Associates Inc .)gydF4y2Ba 1509年gydF4y2Ba 1517年gydF4y2Ba 龚gydF4y2Ba Y。gydF4y2Ba LazebnikgydF4y2Ba 年代。gydF4y2Ba 彩票gydF4y2Ba 一个。gydF4y2Ba PerronningydF4y2Ba F。gydF4y2Ba 迭代量化:普罗克汝斯忒斯之学习方法大规模图像检索二进制代码gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2013年gydF4y2Ba 35gydF4y2Ba 12gydF4y2Ba 2916年gydF4y2Ba 2929年gydF4y2Ba 10.1109 / tpami.2012.193gydF4y2Ba 2 - s2.0 - 84887601251gydF4y2Ba 他gydF4y2Ba K。gydF4y2Ba 温gydF4y2Ba F。gydF4y2Ba 太阳gydF4y2Ba J。gydF4y2Ba k - means散列:一个affinity-preserving量子化方法学习二进制紧凑的代码gydF4y2Ba 学报2013年IEEE计算机视觉与模式识别会议gydF4y2Ba 2013年6月gydF4y2Ba 波特兰,或美国gydF4y2Ba 10.1109 / CVPR.2013.378gydF4y2Ba 2 - s2.0 - 84887359482gydF4y2Ba 余gydF4y2Ba X。gydF4y2Ba 张gydF4y2Ba X。gydF4y2Ba 刘gydF4y2Ba B。gydF4y2Ba 钟gydF4y2Ba lgydF4y2Ba 迈塔克瑟白兰地gydF4y2Ba d . N。gydF4y2Ba 大规模的医学图像搜索通过无监督PCA散列gydF4y2Ba 学报2013年IEEE计算机视觉与模式识别会议研讨会gydF4y2Ba 2013年6月gydF4y2Ba 波特兰,或美国gydF4y2Ba IEEEgydF4y2Ba 393年gydF4y2Ba 398年gydF4y2Ba 10.1109 / CVPRW.2013.66gydF4y2Ba 2 - s2.0 - 84884961193gydF4y2Ba