摘要
深度哈希通过端到端学习从相似性数据中提取深度表示和哈希码，从而实现高效且有效的图像检索。本文提出了一种紧凑编码方案，重点关注深度学习在量化方法中的应用，该方法在相似性检索方面表现出优于传统的哈希解决方案。我们提出了深度三元组量化（Deep Triplet Quantization, DTQ），这是一种从相似性三元组中学习深度量化模型的新方法。为了提高三元组训练的有效性，我们设计了一种新的三元组选择策略——Group Hard，该策略在每个图像组中随机选择困难的三元组。为了生成紧凑的二进制代码，我们在三元组训练过程中进一步应用了具有弱正交性的三元组量化。量化损失减少了码本的冗余，并通过反向传播增强了深度表示的可量化性。大量实验表明，DTQ可以生成高质量且紧凑的二进制代码，在三个基准数据集NUS-WIDE、CIFAR-10和MS-COCO上实现了最先进的图像检索性能。