双重划分哈希

抗标签噪声

通过样本级和参数级双重划分并结合对比学习，在标签噪声存在的情况下保持高效准确的检索性能。

Wang, Haixin · Huiyu, Jiang · Sun, Ji'nan · 张世琨 · Chen, Chong · 华先胜 · 罗晓

IEEE Transactions on Knowledge and Data Engineering 2023

技术优势

噪声与干净样本分开用

利用扰动视图的集成将数据集划分为干净标签集和噪声无标签集，可靠监督与充分探索各得其所。

关键参数分开优化

仿照剪枝技术将哈希网络参数分为关键与非关键两部分，分别优化以减少对噪声数据的过拟合。

应用场景

• 大规模图像检索：直接替换现有哈希编码模块，在标注存在噪声的图像库上保持检索精度。
• 大数据检索：对海量数据中天然存在的错误标注具有鲁棒性，避免人工清洗标签的高昂成本。
• 多模态检索：跨模态哈希学习常面临标注不一致，该方法提供噪声鲁棒的训练框架。
• 近似最近邻搜索：生成更准确的二进制码，使近似最近邻搜索在噪声标签下仍返回可靠结果。