论文阅读理解 - Deep Learning of Binary Hash Codes for Fast Image Retrieval

Deep Learning of Binary Hash Codes for Fast Image Retrieval

• [Paper]
• [Code-Caffe]

1. 摘要

• 针对图像检索问题，提出简单有效的监督学习框架
• CNN网络结构能同时学习图像特征表示以及 hash-like 编码函数集合
• 利用深度学习以逐点(point-wise)的方式，得到二值哈希编码(binary hash codes)，以快速检索图像；对比卷积pair-wised方法，在数据大小上具好的扩展性.
• 论文思想，当数据标签可用时，可以利用隐层来学习能够表示图像类别标签的潜在语义的二值编码

2. 方法

Figure 1: 基于分层深度搜索的图像检索框架.

方法主要包括三部分：

• Module1 - 在ImageNet上有监督地预训练CNN网络，以学习得到丰富的mid-level图像表示特征；
• Module2 - 添加隐层(latent) 网络层，通过在目标图像数据集finetuning网络，该隐层可以学习得到图像的 hashes-like 编码表示；
• Module3 - 利用 hashes-like 二值编码和 F7 层特征，采用 coarse-to-fine 策略检索相似图片.

2.1 Hash-like 二值编码学习

假设网络的最终输出分类层 F8$F8$ 依赖于 h$h$ 个hidden attributes，各属性是 0 或 1(0表示不存在，1表示存在). 如果图像的二值**编码相似，其应该具有相同标签.

如Figure 1所示，这里在 F7$F7$ 和 F8$F8$ 层间嵌入一个隐层 H$H$.

• 该隐层H$H$ 是一个全连接层，其神经元**情况由后面的 F8$F8$ 层来控制，F8$F8$层编码了图像语义并用于最终分类.
• 该隐层H$H$ 不仅提供了F7$F7$层丰富特征的抽象表示，还联系着 mid-level 特征和 high-level 语义.
• 该隐层H$H$采用的是Sigmoid函数，以使**值在 {0, 1} 之间.

为了适应数据集，在目标数据集 fine-tune CNN网络.

• 初始权重设为ImageNet数据集预训练的CNN权重;
• 隐层H$H$和最终分类层F8$F8$的权重采用随机初始化.

无需对深度CNN模型修改太多，即可同时学习得到图像的视觉特征描述子，和 hashing-like 函数，以进行有效的图像检索.

2.2 基于分层深度搜索的图像检索

采用 coarse-to-fine 搜索策略进行快速精确的图像检索.

• 首先，检索得到相似 high-level 语义特征的候选图片集，即，具有隐层得到隐含二值**值想死;
• 然后，进一步过滤具有相似外表的图片，主要是基于最深的 mid-level 图像特征表示进行相似性排名.

2.2.1 Coarse-level 搜索

给定图像 I$I$, 首先提取隐层输出作为图像特征，记为 Out(H)$Out(H)$. 通过设定阈值，即可以得到其二值编码. 即，对于二值**的每一个字节j=1,2,...,h$j=1,2,...,h$ (h$h$为隐层的节点数)， H$H$的输出二值编码：

Hj=1,if Outj(H)≥0.5;otherwise Hj=0$H^j=1,ifOu{t}^j(H)\ge 0.5;otherwise{H}^j=0$

记 Γ=I1,I2,...,In$\mathrm{\Gamma }=I_1,I_2,...,I_n$ 表示用于检索的 n$n$张图片组成数据集，其每张图片对应的二值编码记为ΓH=H1,H2,...,Hn${\mathrm{\Gamma }}_H=H_1,H_2,...,H_n$ , 其中 Hi∈{0,1}h$H_i\in \{0,1{\}}^h$.

给定待查询图片 Iq$I_q$ 及其二值编码 Hq$H_q$, 如果 Hq$H_q$ 和 Hi∈ΓH$H_i\in {\mathrm{\Gamma }}_H$ 的Hamming 距离小于阈值，得到一个有 m$m$ 张候选图片的图片池，P={Ic1,Ic2,...,Icm}$P=\{I_1^c,I_2^c,...,I_m^c\}$.

2.2.2 Fine-level 检索

给定待查询图片 Iq$I_q$ 及候选图片池 P={Ic1,Ic2,...,Icm}$P=\{I_1^c,I_2^c,...,I_m^c\}$，采用 F7$F7$ 层提取的图片特征来从候选图片池 P$P$ 中确认前 k$k$ 张图片.

记 Vq$V_q$ 和 VPi$V_i^P$ 分别表示待查询图片 q$q$ 和图片池中候选图片 Ici$I_i^c$ 的特征向量，则其欧氏距离相似性计算为：

si=||Vq−VPi||$s_i=||V_q-V_i^P||$

如果欧氏距离越大，则两张图片的相似性越强. 通过对候选图片进行排序，即可得到最终的检索图片.

3. 实验结果

3.1 数据集

• MNIST Dataset - 10类手写数字，0~9，共 60000张训练图片，10000测试图片，每张数字图片都归一化为 28×28$28\times 28$ 的灰度图片.

• CIFAR-10 Dataset - 10类物体，每一类有 6000 张图片，一种60000张图片，其中50000张作训练，10000张作测试.

• Yahoo-1M Dataset - 一共1124087张商品图片，116类服装类别，如 TOP，Dress，Skirt等. 如Figure2.
  

3.2 检索结果