深度hash DH - 紧的二进制编码

哈希算法可将高维数据编码为一组二进制代码，与此同时还能保持图像或视频的相似性。 这应该最近hash比较火的原因吧。

这一次我们说一下，CVPR2015年的文章，Deep Hashing for Compact Binary Codes Learning 

这个文章提出了一个紧的二进制码用于大型的视觉图像的搜索，之后有人提出了一个离散的深度hash. (2017)。

The basic idea of the hashing-based approach is to construct a series of hash functions to map each visual object into a binary feature vector so that visually similar samples are mapped into similar binary codes。

这里的主要思想是 创建一系列的hash函数，把每个视觉对象映射到二进制的特征向量。而且这些特征向量把相似的图像 或者数据例子（sample） 映射成相似的二进制编码。

hash方法有两类：

第一类,数据独立的： 此类方法用随机森林random projection等方法，把数据映射特征空间，然后再二值化。

第二类,数据不是独立的：是用统计的方法的方法来学习。

其中黄色的部分公式如下：

在此时的技术，都可以用tensorflow上很容易的计算以上的过程。

我看只需要看其中Loss function就好了

其中J2 是想让新表达的二进制码的方差变大，这样可以得到随机分布的二进制码。

J1 就是当然让新表达的B 与原来的H 越接近越好。