HASH GAME - Online Skill Game GET 300

　　第 ２期２０１９年 ２月电子学报ＡＣＴＡＥＬＥＣＴＲＯＮＩＣＡＳＩＮＩＣＡＶｏｌ．４７Ｎｏ．２Ｆｅｂ．２０１９收稿日期：２０１７０５０２；修回日期：２０１８０７２０；责任编辑：李勇锋基金项目：国家自然科学基金（Ｎｏ．６１５７２１４７，Ｎｏ．６１７６２０６６）；广西科技计划项目（Ｎｏ．ＡＣ１６３８０１０８）；桂林电子科技大学图像图形智能处理重点实验室项目（Ｎｏ．ＧＩＩＰ２０１４０５，Ｎｏ．ＧＩＩＰ２０１７０１）；广西可信软件重点实验室项目（Ｎｏ．ｋｘ２０１５０２）；广西研究生教育创新计划（Ｎｏ．２０１８ＹＪＣＸ４６）；桂林电子科技大学校级教改重点项目（Ｎｏ．ＪＧＡ２０１５０６）；广西云计算与大数据协同创新中心（Ｎｏ．ＹＤ１６３０４）一种改进的二进制哈希编码方法江泽涛 １，２ ，简雄 １，２ ，刘小艳 １，２ ，曾聪文 １，２（１．桂林电子科技大学广西高校图像图形智能处理重点实验室，广西桂林 ５４１００４；２．桂林电子科技大学广西可信软件重点实验室，广西桂林 ５４１００４）摘要：为了应对手工视觉特征与哈希编码过程不能最佳地兼容以及现有哈希方法无...

　　第 ２期２０１９年 ２月电子学报ＡＣＴＡＥＬＥＣＴＲＯＮＩＣＡＳＩＮＩＣＡＶｏｌ．４７Ｎｏ．２Ｆｅｂ．２０１９收稿日期：２０１７０５０２；修回日期：２０１８０７２０；责任编辑：李勇锋基金项目：国家自然科学基金（Ｎｏ．６１５７２１４７，Ｎｏ．６１７６２０６６）；广西科技计划项目（Ｎｏ．ＡＣ１６３８０１０８）；桂林电子科技大学图像图形智能处理重点实验室项目（Ｎｏ．ＧＩＩＰ２０１４０５，Ｎｏ．ＧＩＩＰ２０１７０１）；广西可信软件重点实验室项目（Ｎｏ．ｋｘ２０１５０２）；广西研究生教育创新计划（Ｎｏ．２０１８ＹＪＣＸ４６）；桂林电子科技大学校级教改重点项目（Ｎｏ．ＪＧＡ２０１５０６）；广西云计算与大数据协同创新中心（Ｎｏ．ＹＤ１６３０４）一种改进的二进制哈希编码方法江泽涛 １，２ ，简雄 １，２ ，刘小艳 １，２ ，曾聪文 １，２（１．桂林电子科技大学广西高校图像图形智能处理重点实验室，广西桂林 ５４１００４；２．桂林电子科技大学广西可信软件重点实验室，广西桂林 ５４１００４）摘要：为了应对手工视觉特征与哈希编码过程不能最佳地兼容以及现有哈希方法无法区分图像语义信息的问题，提出一种基于深度卷积神经网络学习二进制哈希编码的方法．该方法基本思想是在深度残差网络中增加一个哈希层，同时学习图像特征和哈希函数；以此同时提出一种更加紧凑的分级哈希结构，用来提取更加接近图像语义的特征．经 ＭＮＩＳＴ、ＣＩＦＡＲ１０、ＮＵＳＷＩＤＥ数据集的实验，结果表明该方法优于现有的哈希方法．该方法不仅统一了特征学习和哈希编码的过程，同时深层残差网络也能得到更接近图像语义的特征，进而提高了检索准确度．关键词：图像检索；深度残差网络；分级哈希；语义信息中图分类号：ＴＰ３９１４１文献标识码：Ａ文章编号：０３７２２１１２（２０１９）０２０４６２０８电子学报 ＵＲＬ：ｈｔｔｐ：／／ｗｗｗ．ｅｊｏｕｒｎａｌ．ｏｒｇ．ｃｎ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０３７２２１１２．２０１９．０２．０２９ＡｎＩｍｐｒｏｖｅｄＢｉｎａｒｙＨａｓｈＣｏｄｉｎｇＭｅｔｈｏｄＪＩＡＮＧＺｅｔａｏ１，２ ，ＪＩＡＮＸｉｏｎｇ １，２ ，ＬＩＵＸｉａｏｙａｎ １，２ ，ＺＥＮＧＣｏｎｇｗｅｎ １，２（１．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｍａｇｅａｎｄＧｒａｐｈｉｃＩｎｔｅｌｌｉｇｅｎｔＰｒｏｃｅｓｓｉｎｇｏｆＧｕａｎｇｘｉ，ＧｕｉｌｉｎＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｏｎｉｃＴｅｃｈｎｏｌｏｇｙ，Ｇｕｉｌｉｎ，Ｇｕａｎｇｘｉ５４１００４，Ｃｈｉｎａ；２．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＤｅｐｅｎｄａｂｌｅＳｏｆｔｗａｒｅｏｆＧｕａｎｇｘｉ，ＧｕｉｌｉｎＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｏｎｉｃＴｅｃｈｎｏｌｏｇｙ，Ｇｕｉｌｉｎ，Ｇｕａｎｇｘｉ５４１００４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＴｏａｄｄｒｅｓｓｔｈｅｐｒｏｂｌｅｍｓｔｈａｔｈａｎｄｅｎｇｉｎｅｅｒｉｎｇｖｉｓｕａｌｆｅａｔｕｒｅｓｃａｎｔｂｅｏｐｔｉｍａｌｌｙｃｏｍｐａｔｉｂｌｅｗｉｔｈｔｈｅＨａｓｈｃｏｄｉｎｇｐｒｏｃｅｓｓａｎｄｅｘｉｓｔｉｎｇＨａｓｈｍｅｔｈｏｄｓｃａｎｔｄｉｆｆｅｒｅｎｔｉａｔｅｉｍａｇｅｓｓｅｍａｎｔｉｃｓｉｎｆｏｒｍａｔｉｏｎ，ａｌｅａｒｎｉｎｇｍｅｔｈｏｄｏｆｂｉｎａｒｙＨａｓｈｉｎｇｂａｓｅｄｏｎｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｉｓｐｒｏｐｏｓｅｄ．ＴｈｅｂａｓｉｃｉｄｅａｉｓｔｏａｄｄａＨａｓｈｌａｙｅｒｉｎｔｏｔｈｅｄｅｅｐｒｅｓｉｄｕａｌｎｅｔｗｏｒｋａｎｄｔｏｌｅａｒｎｓｉｍｕｌｔａｎｅｏｕｓｌｙｉｍａｇｅｆｅａｔｕｒｅｓａｎｄＨａｓｈｆｕｎｃｔｉｏｎｓ．Ｍｅａｎｗｈｉｌｅ，ｗｅｐｒｏｐｏｓｅａｍｏｒｅｃｏｍｐａｃｔｈｉｅｒａｒｃｈｉｃａｌＨａｓｈｉｎｇｓｔｒｕｃｔｕｒｅｔｏｅｘｔｒａｃｔｆｅａｔｕｒｅｓｃｌｏｓｅｒｔｏｓｅｍａｎｔｉｃｓｉｎｆｏｒｍａｔｉｏｎｏｆｉｍａｇｅｓ．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｆＭＮＩＳＴ，ＣＩＦＡＲ１０ａｎｄＮＵＳＷＩＤＥｄａｔａｓｅｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｓｕｐｅｒｉｏｒｔｏｅｘｉｓｔｉｎｇＨａｓｈｉｎｇｍｅｔｈｏｄｓ．ＴｈｉｓｍｅｔｈｏｄｎｏｔｏｎｌｙｕｎｉｆｉｅｓｔｈｅｐｒｏｃｅｓｓｏｆｆｅａｔｕｒｅｌｅａｒｎｉｎｇａｎｄＨａｓｈｃｏｄｉｎｇ，ａｎｄａｔｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅｄｅｅｐｒｅｓｉｄｕａｌｎｅｔｗｏｒｋｉｓａｂｌｅｔｏｇｅｔｆｅａｔｕｒｅｓｃｌｏｓｅｒｔｏｉｍａｇｅｓｅｍａｎｔｉｃｓ．Ｔｈｕｓｔｈｅｒｅｔｒｉｅｖａｌａｃｃｕｒａｃｙｉｓｉｍｐｒｏｖｅｄ．Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｒｅｔｒｉｅｖａｌ；ｄｅｅｐｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ；ｈｉｅｒａｒｃｈｉｃａｌＨａｓｈｉｎｇ；ｓｅｍａｎｔｉｃｓｉｎｆｏｒｍａｔｉｏｎ１引言随着网络和社交媒体的快速发展，网络多媒体与图像数据呈现爆炸式的增长．如何从大规模的图像资源中进行快速而有效的检索以满足用户需求是亟待解决的问题．在大规模数据集上基于内容的图像检索（ＣｏｎｔｅｎｔＢａｓｅｄＩｍａｇｅＲｅｔｒｉｅｖａｌ，ＣＢＩＲ）已引起了越来越多的关注，ＣＢＩＲ目的是从大型图像数据集中返回与视觉查询相匹配的相似图像．最近邻搜索（ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒ，ＮＮ）是 ＣＢＩＲ最基本的方法，但是由于 ＮＮ搜索通常是将待查询图像与数据集中的每个样本进行详尽的比较，所以当数据集变的很大的时候，该方法变得不可行，因此，更多的关注集中在近似最近邻搜索（ＡｐｐｒｏｘｉｍａｔｅＮｅａｒｅｓｔＮｅｉｇｈｂｏｒ，ＡＮＮ）［１］ ．为了有效地进行 ＡＮＮ搜索，许多方法被设计出来，其中包括基于树的方法和基于哈希的方法．基于树的方法，如 ＫＤ树 ［２，３］ 通常在有效的数据结构中组织数据样本用来实现快速搜索，但是这种方法在高维数据下搜索效率会极大地降低．而以位