Feature Learning Based Deep Supervised Hashing with Pairwise Labels

Feature Learning Based Deep Supervised Hashing with Pairwise Labels

现在实验室要求每周阅读一篇paper然后写成总结，作为一个博客的受益者，我也想写成博客的形式，将收获不局限于分享在小组内。但是，作为一个知识的传播者，如果传播错误的知识误导别人还不如不做。所以写每一篇博客都是忐忑不安，特别是国内一些厉害课题组的发表的paper，生怕误解作者的原意，还拿出来正儿八经的解读，贻笑大方。作为一个进阶的菜鸟，希望大家看到错误能够留言指正，我也要努力发表属于自己的paper。

Introduction

本篇是发表在IJCAI16上的一篇关于Deep Hash 的一篇Paper。下载地址

作者在本篇论文中提出了一种新的Deep Hash方法，DPSH(deep pairwise-supervised hashing)，通过深度学习从pair-wise label中学习到图像的特征和hash code，并且在后面的实验中与其他方法比较，取得了较好的结果。

DPSH主要有以下几个方面：

通过CNN的conv层学习图像特征

使用网络的全连接层学习hash function

设计合理的loss function使pair-wise中label相似的话，hash code尽可能相似，也就是相似的label，hash code之间的海明距离比较小，不相似的label，hash code 之间海明距离比较大。

Notation And Problem Definition

在论文中，z代表向量，Z代表矩阵，ZT代表矩阵的转置，||.||2代表向量之间的欧氏距离，sgn(.)代表sgn函数：

sgn(x){1,−1,x>0x<0

假定有n个图片χ={xi}ni=1，xi代表了第i张图片。因为监督的hash方法，图片都是有标签的，可以通过标签之间是否相似构造出相似性矩阵S={sij},sij∈{0,1}。当两个图片相似时，sij为1。当两个图片不相似时，sij=0。可以通过图片的label获取相似性矩阵。

hash function的目标是每一张图片学习到二进制码bi∈{−1,1}c，c是二进制码的长度。并且生成的二进制码保持原有的相似性，即相似的图片的hash code之间的海明距离比较小，不相似的图片之间的hash code的海明距离比较大。整个网络的主要目标就是学习出c个hash function，保证上述的特性。

Model and Learning

网络结构如Figure1 所示：



图 1

作者使用了CNN-F网络模型，上下两个CNN使用具有相同的网络结构，共享同样的权重。网络的具体参数如table 1所示：

Object Function

给定所有点的二进制码B={bi}ni=1，点对之间的似然函数可以定义如下：

psij|B={σ(Ωij),1−σ(Ωij),sij=1sij=0

上述公式中Ωij=12bTibj，σ(Ωij)=11+e−Ωij，bi∈{−1,1}c

考虑所有的S，作者提出了如下的最优化目标：

minBJ1=−logp(S|B)=−∑sij∈Sp(sij|B)=−∑sij∈S(sijΩij−log(1+eΩij))(1)

上述目标最小化，恰好等价于相似的图片之间的海明距离最小。由于变量是离散的，无法求导，所以需要进行进一步的处理，一般的方法就是松弛变量，把{−1,1}松弛到[−1,1]。在本篇论文中，作者提出了一种新的求解方法，公式(1)可以写成如下的形式：

minB,UJ2=−∑sij∈S(sijΘij−log(1+eΘij))(2)s.t.ui=bi,∀i=1,2,3,...,nui∈Rc×1,∀i=1,2,3,....nbi∈{−1,1}c,∀i∈1,2,3,...n

上式中，Θ=12uTiuj U=uini=1

minB,UJ3=−∑sij∈S(sijΘij−log(1+eΘij))+η∑i=1n||bi−ui||22(2)

η是正则化项。

在CNN网络中：

ui=WTϕ(xi,;θ)+v

W是权重，v是偏置，ϕ(xi,;θ)代表第7层全连接层和xi有关的输出，将ui代入到公式（2）中，可以得到一个end-to-end的hash模型：

minB,v,W,θJ=−∑sij∈S(sijΘij−log(1+eΘij))+η∑i=1n||bi−(WTϕ(xi,;θ)+v)||22(3)

Learning

在公式（3）中，目标函数主要有四个参数，W,v,θ,B。作者采用了minibatch算法，每次从训练集中选取部分集合，进行学习。参数更新的过程中，作者采用了alternating method。每次保持其他参数固定，优化一个参数。

对于参数与bi，可以通过下面公式直接得到：

bi=sgn(ui)=sgn(WTϕ(xi;θ)+v),(4)

对于W,v,θ，使用BP的方式进行更新。目标函数对ui的导数如下所示：

∂J∂ui=12∑j;sij∈S(aij−sij)uj+12∑j;sij∈S(aji−sji)uj+2η(ui−bi)

aij=σ(12uTiuj)。然后利用上公式对W,v,θ进行求导：

∂J∂W=ϕ(xi;θ)(∂J∂ui)T(5)

∂J∂v=∂J∂ui(6)

∂J∂ϕ(xi;θ)=W∂J∂ui(7)

因为mini-batch训练过程中，只得到了训练数据的hash code,对没有在训练集中的数据，直接采用公式(8)得到hash code。

bq=sgn(xq)=sgn(WTϕ(xq;θ)+v),

整个算法的过程如图2所示：



图 2

Experiment

作者实验中主要使用了两个数据集：

CIFAR-10 60000张图片，32*32大小。总共10类，每类共有图片6000张。

NUS-WIDE 270000张图片，总共81类，每张图片有多标签，作者使用了21类，每类至少5000张图片。

对手工特征，CIFAR-10提取了500维的gist特征，NUS-WIDE提取了1134维的混合特征。在deep hash 方法中，作者将原始的图片resize到224*224作为网络的输入。

对CIFAR-10数据集，作者每类选取100张图片作为测试集，监督的方法，每类选取500张图片作为训练集，无监督的方法其他的图片作为训练集。在NUS-WIDE数据集中，作者从21从常用的label中每类100张图片作为测试集，监督的方法每类选取500张图片作为训练集。和之前的方法相比，实验结果如下图3所示：



图 3

DPSH0是HPSH的一种版本，在学习过程中不更新参数的版本。

超参数η在不同的数据集中设置不同，从图4可以看出，map的结果和超参数的设计有关。



图 4

Conclusion

与其他的deep hash相比，都是使用了CNN的conv层获取图像的特征，使用全连接层获取hash function。作者设计了新的目标函数的优化方法和参数更新的过程，并通过实验得到了更优的结果。