阅读小结：Deep Hashing Network for Efficient Similarity Retrieval

作者：Han Zhu, Mingsheng Long, Jianmin Wang and Yue Cao

论文地址：https://pdfs.semanticscholar.org/eb0c/64244dcf238a2cbf479ab2fdc9047fc80bc5.pdf

What：

1.特征没有和量化一起优化，所以特征不一定兼容后续的量化操作。

量化损失也没有统计上的最小。

2.提出了Deep Hashing Network (DHN) 由四个成分组成：

a. CNN来提取图像特征

b. 一个全链接层来产生binary的哈希编码

c. pair-wise 的 cross-entropy loss 来保证相似度

d. quantization loss 来控制哈希质量

3.测试数据集为NUS-WIDE (195,834 21类 256*256),

CIFAR-10 (60,000 10类 32*32),

Flickr (25,000 38类 256*256)

How：

1. 加了一个fch层来做量化， 实质是 先用了 tanh 做一个粗的量化。

2. 然后给了一个量化 loss（公式6） 主要是取绝对值以后 要和1接近。因为量化目标本来就是得到一个 h属于{-1,1}的。

3. 由于公式6 non-smooth 所以将 1范数 改成了 log cosh(x)





4. cross-entropy loss 而不是 contrast loss

5. Table2可以看出两点： CIFAR10还是不稳定，3%其实差不多。square loss确实可能不好，需要调。

6. DHN-Q是没有量化loss，但是最后也加了量化sgn。所以效果差了。 一般来说直接来学，用float 是不会差的。应该好于DHN-B .