HASH GAME - Online Skill Game GET 300

　　（ １ ． Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎＳ ｙ ｓ ｔ ｅ ｍＥ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎＥ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇＵ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｚ ｈ ｅ ｎ ｇ ｚ ｈ ｏ ｕ ， Ｈ ｅ ｎ ａ ｎ４ ５ ０ ０ ０ １ ， Ｃ ｈ ｉ ｎ ａ ； ２ ． Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇＵ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙｏ ｆ Ｃ Ａ Ｐ Ｆ ， Ｘ ｉ ’ ａ ｎ ， Ｓ ｈ ａ ａ ｎ ｘ ｉ ７ １ ０ ０ ０ ０ ， Ｃ ｈ ｉ ｎ ａ ； ３ ． Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｃ ｏ ｍ ｐ ｕ ｔ ｉ ｎ ｇＳ ｃ ｉ ｅ ｎ ｃ ｅ ， Ｈ ｅ ｎ ａ ｎＵ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙｏ ｆ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｚ ｈ ｅ ｎ ｇ ｚ ｈ ｏ ｕ ， Ｈ ｅ ｎ ａ ｎ４ ５ ０ ０ ０ １ ， Ｃ ｈ ｉ ｎ ａ ）

　　Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｔ ｈ ｅ ｖ ｉ ｓ ｕ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｏ ｆ ｔ ｈ ｅ ｓ ｔ ａ ｔ ｅ  ｏ ｆ  ｔ ｈ ｅ  ａ ｒ ｔ ｉ ｍ ａ ｇ ｅ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ｍ ｅ ｔ ｈ ｏ ｄ ｓ ｌ ａ ｃ ｋｏ ｆ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇａ ｂ ｉ ｌ ｉ ｔ ｙ ， ｗ ｈ ｉ ｃ ｈｌ ｅ ａ ｄｔ ｏｌ ｏ ｗ ｅ ｘ ｐ ｒ ｅ ｓ ｓ ｉ ｏ ｎａ ｂ ｉ ｌ ｉ ｔ ｙ ． Ａ ｎ ｄｔ ｈ ｅｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙｏ ｆ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｉ ｎ ｄ ｅ ｘｍ ｅ ｔ ｈ ｏ ｄ ｓ ｉ ｓ ｆ ａ ｉ ｒ ｌ ｙｌ ｏ ｗｆ ｏ ｒ ｌ ａ ｒ ｇ ｅｉ ｍ ａ ｇ ｅｄ ａ ｔ ａ ｂ ａ ｓ ｅ ． Ｉ ｎｖ ｉ ｅ ｗｏ ｆ ｔ ｈ ｉ ｓ ， ａ ｎ ｉ ｍ ａ ｇ ｅｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ｍ ｅ ｔ ｈ ｏ ｄｂ ａ ｓ ｅ ｄｏ ｎｃ ｏ ｎ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋａ ｎ ｄｋ ｅ ｒ ｎ ｅ ｌ  ｂ ａ ｓ ｅ ｄｓ ｕ ｐ ｅ ｒ ｖ ｉ ｓ ｅ ｄＨ ａ ｓ ｈ ｉ ｎ ｇｉ ｓｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ． Ｆ ｉ ｒ ｓ ｔ ｌ ｙ ， ａ ｌ ａ ｒ ｇ ｅ ｃ ｏ ｎ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋｉ ｓ ｅ ｍ ｐ ｌ ｏ ｙ ｅ ｄｔ ｏｌ ｅ ａ ｒ ｎｔ ｈ ｅ ｉ ｎ ｔ ｒ ｉ ｎ ｓ ｉ ｃ ｉ ｍ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ｏ ｆ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇｉ ｍ ａ ｇ ｅ ｓ ｓ ｏａ ｓ ｔ ｏｉ ｍ ｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｄ ｉ ｓ  ｔ ｉ ｎ ｇ ｕ ｉ ｓ ｈａ ｂ ｉ ｌ ｉ ｔ ｙａ ｎ ｄｅ ｘ ｐ ｒ ｅ ｓ ｓ ｉ ｏ ｎａ ｂ ｉ ｌ ｉ ｔ ｙｏ ｆ ｖ ｉ ｓ ｕ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅ ． Ｓ ｅ ｃ ｏ ｎ ｄ ｌ ｙ ， ｋ ｅ ｒ ｎ ｅ ｌ  ｂ ａ ｓ ｅ ｄｓ ｕ ｐ ｅ ｒ ｖ ｉ ｓ ｅ ｄＨ ａ ｓ ｈ ｉ ｎ ｇｉ ｓａ ｐ ｐ ｌ ｉ ｅ ｄｔ ｏｌ ｅ ａ ｒ ｎｆ ｒ ｏ ｍ ｔ ｈ ｅｈ ｉ ｇ ｈ  ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ａ ｌ ｖ ｉ ｓ ｕ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅ ａ ｎ ｄｍ ａ ｐｉ ｎ ｔ ｏｌ ｏ ｗ  ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ａ ｌ ｈ ａ ｍ ｍ ｉ ｎ ｇｓ ｐ ａ ｃ ｅ ａ ｎ ｄａ ｃ ｈ ｉ ｅ ｖ ｅ ｃ ｏ ｍ ｐ ａ ｃ ｔ Ｈ ａ ｓ ｈｃ ｏ ｄ ｅ ｓ ． Ｆ ｉ ｎ ａ ｌ ｌ ｙ ， ｉ ｍ ａ ｇ ｅｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ｉ ｓ ａ ｃ ｃ ｏ ｍ ｐ ｌ ｉ ｓ ｈ ｅ ｄｉ ｎｌ ｏ ｗ  ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ａ ｌ ｈ ａ ｍ ｍ ｉ ｎ ｇｓ ｐ ａ ｃ ｅ ． Ｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｏ ｆ Ｉ ｍ ａ ｇ ｅ Ｎ ｅ ｔ  １ ０ ０ ０ａ ｎ ｄＣ ａ ｌ ｔ ｅ ｃ ｈ  ２ ５ ６ ｄ ａ ｔ ａ ｓ ｅ ｔ ｓ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｅｔ ｈ ａ ｔ ｔ ｈ ｅｅ ｘ ｐ ｒ ｅ ｓ ｓ ｉ ｏ ｎａ ｂ ｉ ｌ ｉ ｔ ｙｏ ｆ ｖ ｉ ｓ ｕ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅｉ ｓ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙｉ ｍ ｐ ｒ ｏ ｖ ｅ ｄａ ｎ ｄｔ ｈ ｅｉ ｍ ａ ｇ ｅｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ｐ ｅ ｒ ｆ ｏ ｒ ｍ ａ ｎ ｃ ｅｉ ｓ ｓ ｕ ｂ ｓ ｔ ａ ｎ ｔ ｉ ａ ｌ ｌ ｙｂ ｏ ｏ ｓ ｔ ｅ ｄｃ ｏ ｍ ｐ ａ ｒ ｅ ｄｗ ｉ ｔ ｈｔ ｈ ｅｓ ｔ ａ ｔ ｅ  ｏ ｆ  ｔ ｈ ｅ  ａ ｒ ｔ ｍ ｅ ｔ ｈ ｏ ｄ ｓ ． Ｋ ｅ ｙｗ ｏ ｒ ｄ ｓ ： ｄ ｅ ｅ ｐｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ；ｉ ｍ ａ ｇ ｅｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ；ｃ ｏ ｎ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ；ａ ｐ ｐ ｒ ｏ ｘ ｉ ｍ ａ ｔ ｅｎ ｅ ａ ｒ ｅ ｓ ｔ ｎ ｅ ｉ ｇ ｈ ｂ ｏ ｒ ；ｋ ｅ ｒ ｎ ｅ ｌ  ｂ ａ ｓ ｅ ｄｓ ｕ ｐ ｅ ｒ ｖ ｉ ｓ ｅ ｄＨ ａ ｓ ｈ ｉ ｎ ｇ

　　固定的编码步骤使得描述子缺少学习能力， 限制了其图 像内容表达能力， 难以适应多样的图像数据． 为得到大量图像数据的内在隐 含关系， 生成更 具 ［ ４ ～ ６ ］ 有区分性和代表性的特征， Ｈ ｉ ｎ ｔ ｏ ｎ等学者 将深度学 习应用于图像处理领域中， 为提取更加有效的图像特 ７ ］ Ｔ ａ ｎ ｇ 等［ 将Ｄ Ｂ Ｎ第一层采用稀疏化 征提供了新思路 ． 连接， 同时利用概率降噪算法提高 Ｄ Ｂ Ｎ输出特征对噪 ８ ］ 声的鲁棒性． Ｌ ｅ ｅ 等［ 构建了卷积深度置信网络（ Ｃ ｏ ｎ ｖ  ， Ｃ Ｄ Ｂ Ｎ ） ， 利用 Ｃ Ｄ Ｂ Ｎ能从 ｏ ｌ ｕ ｔ ｉ ｏ ｎ ａ ｌ Ｄ ｅ ｅ ｐＢ ｅ ｌ ｉ ｅ ｆ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ 未标注的自然图像中学习有效的高阶特征表示． Ｈ ｕ ａ ｎ ｇ ［ ９ ］ 等 在Ｃ Ｄ Ｂ Ｎ的基础上提出了局部卷积受限玻尔兹曼 机（ Ｌ ｏ ｃ ａ ｌＣ ｏ ｎ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ａ ｌＲ ｅ ｓ ｔ ｒ ｉ ｃ ｔ ｅ ｄＢ ｏ ｌ ｔ ｚ ｍ ａ ｎ ｎＭ ａ ｃ ｈ ｉ ｎ ｅ ｓ ， Ｌ Ｃ Ｒ Ｂ Ｍ） 模型， 该模型利用对象类的总体结构学习特 １ ０ ］ 征， 在人脸识别任务中取得非常好的效果． Ｈ ｅ 等［ 通 过在卷积神经网络（ Ｃ ｏ ｎ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ａ ｌ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ， Ｃ Ｎ Ｎ ） 的卷积层和全连接层加入 Ｓ Ｐ Ｐ （ Ｓ ｐ ａ ｔ ｉ ａ ｌ Ｐ ｙ ｒ ａ ｍ ｉ ｄＰ ｏ ｏ ｌ ｉ ｎ ｇ ） 层， 直接对不同大小图像进行学习并生成多尺度特征． 但是， 深度学习生成的图像特征维数较高， 存在维数灾 难问题， 当图像数据规模较大时， 若采用传统的最近邻 ［ １ １ ］ ［ １ ２ ］ 检索方法（ 如Ｒ  ｔ ｒ ｅ ｅ 、 Ｋ Ｄ  ｔ ｒ ｅ ｅ 等） 进行检索就会使 检索速度急剧下降， 难以适用于大规模数据． 为实现对大规模高维图像数据 进行有 效检索， 研 究者提出了近似最近邻搜索策略（ Ａ ｐ ｐ ｒ ｏ ｘ ｉ ｍ ａ ｔ ｅＮ ｅ ａ ｒ ｅ ｓ ｔ ， Ａ Ｎ Ｎ ） ． 其中， 哈 希技术 是解 决近似 最近邻检 Ｎ ｅ ｉ ｇ ｈ ｂ ｏ ｒ 索问题的主流方法， 其思想是利用哈希函数族将高维 图像特征映射到低维空间中， 同时使得原空间中距离 早期 较近的点映射到低维空间后仍保持较近的距离 ． ［ １ ３ ］ 的哈希 方 法， 例如位置敏感哈希 （ Ｌ ｏ ｃ ａ ｌ ｉ ｔ ｙＳ ｅ ｎ ｓ ｉ ｔ ｉ ｖ ｅ １ ４ ， １ ５ ］ Ｈ ａ ｓ ｈ ｉ ｎ ｇ ， Ｌ Ｓ Ｈ ） 及其改进算 法 ［ ， 利用随机映射 构造 哈希函数， 为了保证较高的准确率需要生成更长的哈 希码， 但是随着哈希码的增长， 相似图像的哈希码映射 到同一哈希桶的概率会逐步减少， 导致较低的召回率． ［ １ ４ ， １ ５ ］ Ｌ Ｓ Ｈ及其改进算法 构造的哈希函数都是与数据无 关的， 近年来， 研究者们针对如何结合数据特点构造有 １ ６ ］ Ｙ ａ ｉ ｒ 等［ 提出了 效、 紧致的哈希函数提出了许多算法． 谱哈希方法（ Ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ Ｈ ａ ｓ ｈ ｉ ｎ ｇ ， Ｓ Ｈ ） ， 首先对相似图的拉 普拉斯矩阵特征值和特征向量进行分析， 再通过放宽 限制条件， 将图像特征向量编码问题转换为拉普拉斯

　　摘要： 当前主流的图像检索方法采用的视觉特征， 缺乏自主学习能力， 导致其图像表达能力不强， 此外， 传统 针对这些问题， 本文提出了一种基于卷积神经网络和监 的特征索引方法检索效率较低， 难以适用于大规模图像数据． 督核哈希的图像检索方法． 首先， 利用卷积神经网络的学习能力挖掘训练图像内容的内在隐含关系， 提取图像深层特 征， 增强特征的视觉表达能力和区分性； 然后， 利用监督核哈希方法对高维图像深层特征进行监督学习， 并将高维特征 映射到低明空间中， 生成紧致的哈希码； 最后， 在低明空间中完成对大规模图像数据的有效检索． 在Ｉ ｍ ａ ｇ ｅ Ｎ  ｅ ｔ  １ ０ ０ ０和 Ｃ ａ ｌ ｔ ｅ ｃ ｈ  ２ ５ ６数据集上的实验结果表明， 本文方法能够有效地增强图像特征的表达能力， 提高图像检索效率， 优于当前主流方法． 关键词：深度学习；图像检索；卷积神经网络；近似近邻检索；监督核哈希 中图分类号：Ｔ Ｐ ３ ９ １ 文献标识码：Ａ 文章编号：０ ３ ７ ２  ２ １ １ ２（ ２ ０ １ ７ ） ０ １  ０ １ ５ ７  ０ ７ 电子学报 Ｕ Ｒ Ｌ ：ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｗ ｗ ． ｅ ｊ ｏ ｕ ｒ ｎ ａ ｌ ． ｏ ｒ ｇ ． ｃ ｎ Ｄ Ｏ Ｉ ：１ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． ０ ３ ７ ２  ２ １ １ ２ ． ２ ０ １ ７ ． ０ １ ． ０ ２ ２