哈希游戏- 哈希游戏平台- 哈希游戏官方网站

　　在大规模图像检索中，由于深度哈希在存储和时间效率方面的优势，被广泛采用。然而，现实世界的数据环境通常是非静态的，类别的数量和分布可能会频繁变化，从而导致概念漂移问题。这会降低检索性能，而在现有的深度哈希方法中很少有对此进行探讨。为了解决这个问题，本文提出了增量采样哈希（Incremental Sampling Hashing, ISH）方法。ISH采用代表性采样策略来捕获具有代表性的样本，并利用知识蒸馏来学习新图像的哈希码。这种方法减轻了对先前知识的灾难性遗忘，并减少了概念漂移的影响。此外，还设计了一个损失函数来指导深度哈希神经网络的学习，以平衡语义相似性和历史信息的保留。在12个模拟的概念漂移场景中的实验表明，ISH能够有效处理非静态环境中的概念漂移，并且与现有的在线哈希方法相比，具有更高的检索准确性和适用性。

　　随着互联网上图像数量的爆炸性增长，从大规模数据库中高效检索相关图像已成为一个关键的研究挑战。哈希方法因其高检索速度和存储效率而受到广泛研究[1]。哈希方法将图像从高维特征空间映射到低维的二进制汉明空间。每张图像都由紧凑的二进制哈希码表示，旨在将这些图像的语义内容编码到这些二进制码中，同时保持图像之间的相对相似性。对于给定的查询，通过计算查询图像和候选图像之间的汉明距离来评估它们的相似性。汉明距离量化了两个二进制字符串不同的位数，距离越小表示相似度越高。因此，返回汉明距离最小的图像作为最相关的检索结果。

　　已经提出了多种哈希方法。HMOH方法[2]指导二进制哈希码的学习并动态更新哈希函数。FCOH方法[3]以类别为单位分解二进制码并学习哈希函数。然而，现有方法通常是为静态数据环境设计的，而现实世界的数据环境通常是非静态的。随着新数据的连续出现，非静态数据环境中普遍存在概念漂移问题，主要包含两种情况：（1）新类别的出现，对应于标签空间的扩展；（2）现有类别的分布漂移。这两种变化情况都使得预学习的哈希函数的假设不再成立：汉明空间中的语义邻域变得不对齐，仅对新到达的数据进行增量拟合往往会覆盖先前的语义，导致灾难性遗忘[4]。此外，现有方法通常依赖于浅层图像特征进行训练，未能利用更具信息量的深层特征。实际上，深度哈希方法已经为静态数据环境进行了广泛研究，但在非静态数据环境中的应用却很少。

　　为了解决上述问题，本文提出了增量采样哈希（ISH）方法。该方法利用深度神经网络的强大表示学习能力，同时提取特征并在不同时间步骤到达的数据块上训练模型。特征提取器在线更新，增强了其捕获区分性特征的能力。此外，最新的神经网络仅基于当前数据块和选定的样本进行训练。该网络的参数初始化为上一个时间步骤的参数。另外，还引入了一种快速计算方法来生成每个时间步骤的新哈希函数。深度神经网络通过最小化交叉熵损失函数来减少网络输出和目标二进制码之间的差异。同时，ISH通过成对相似性保持损失函数来保持样本之间的相似性。本文的主要贡献如下：