论文阅读积累：Deep Hashing Learning for Visual and Semantic Retrieval of Remote Sensing Images

摘要

该论文介绍了一种深度哈希方法来进行遥感图像的检索。为了提高检索精度采用了将检索和分类同时进行的一种网络学习方法。再次基础上，设计了一种新的损失函数形式。

网络结构

实现

哈希检索

在VGG-F第七层全连接层后添加了一个用于学习哈希函数的全连接层得到hash-like code,之后使用sgn()函数进行二值化得到哈希吗。这里使用损失函数（6）来论文阅读积累：Deep Hashing Learning for Visual and Semantic Retrieval of Remote Sensing Images
这里概率p可以用logistic函数计算

由于离散型的损失不易于求梯度，所以将公式中的哈希吗替换我近似哈希码来算哈希之后的损失。

其中

损失

为了实现分类的功能，在哈希降维的全连接层后，加全连接层，全连接层后跟softmax函数用来求类别的可能概率。之后为了减小分类误差，给了交叉熵分类损失论文阅读积累：Deep Hashing Learning for Visual and Semantic Retrieval of Remote Sensing Images
最后网络训练时是综合考虑哈希和分类两部分的损失的，于是给出了损失函数

实验结果

实验在两个遥感数据集行进行，包括UCMD和AID

检索结果

论文阅读积累：Deep Hashing Learning for Visual and Semantic Retrieval of Remote Sensing Images

分类结果

论文阅读积累：Deep Hashing Learning for Visual and Semantic Retrieval of Remote Sensing Images
最后，附加原文链接DHCNN

论文阅读积累：Deep Hashing Learning for Visual and Semantic Retrieval of Remote Sensing Images