基于相似度驱动的线性哈希模型参数再优化方法

哈希学习通过设计和优化目标函数，并结合数据分布，学习得到样本的哈希码表示.在现有哈希学习模型中，线性模型因其高效、便捷的特性得到广泛应用.针对线性模型在哈希学习中的参数优化问题，提出一种基于相似度驱动的线性哈希模型参数再优化方法.该方法可以在不改变现有模型各组成部分的前提下，实现模型参数的再优化，提升模型检索性能.该方法首先通过运行现有哈希算法多次，获得训练集的多个哈希码矩阵，然后基于相似度保持度量标准和融合准则对多个哈希码矩阵进行优化选择，获得训练集的优化哈希矩阵，最后利用该优化哈希矩阵对原模型的参数进行再优化，进而获得更优的哈希学习算法.实验结果表明，该方法对不同的哈希学习算法性能都有较为显著的提升