這一篇主要對影象雜湊技術的現有演算法做一個研究性的概述。由於雜湊函式的本質是一個降維的操作，因此會存在特徵資訊的丟失和檢索準確率的下降。

目前的雜湊函式可以分為資料依賴的（Data-dependent）和資料獨立的(Data-independent)，資料依賴的雜湊函式也就是依賴原始資料來學習雜湊函式，資料獨立的就是人工指定雜湊函式。

最最經典的也算作最原始的用於影象檢索的雜湊演算法是LSH，即區域性敏感雜湊（Locality Sensitivehashing）。它是由Piotr Indyk等人提出的，該方法對資料進行隨機對映，屬於資料獨立的雜湊函式。容易實現，計算速度也較快。這是一種非資料驅動型的演算法，檢索精度並不高。

之後的很多雜湊函式都是基於該LSH方法做出的改進和擴充套件延伸，如Jianqiu Ji等人提出的超位元區域性敏感雜湊（Super-BitLocality-Sensitive Hashing, SBLSH），以角度作為核函式度量標準，對隨機投影向量進行分組正交化；Brian Kulis等人提出的核化區域性敏感雜湊（KernelizedLocality-Sensitive Hashing, KLSH），對LSH進行了擴充套件，利用核函式和影象庫中的稀疏集來構造隨機對映，可以選擇任意核函式作為相似性度量函式。

對於除了資料本身所具有的資訊，資料可能還具有附加的資訊，例如標籤資訊等，在模式識別、計算機視覺和機器學習等領域有著非常重要的作用。因此基於此，雜湊函式還可以分為基於監督的、基於半監督的和基於非監督的雜湊函式。

這裡對近幾年來的雜湊函式做了一些總結和概述，整理在一個文件中。是根據袁勇學長的一篇部落格進行整理的，貼出來也供大家一起學習。

或者在這裡下載

這個文件是excel總結的，下載下來看起來會很清晰，預覽的格式亂了，看起來很亂。建議下載。

但是沒有涵蓋大部分2014和2015年的相關paper。

這裡根據袁勇學長的總結也一併貼出來。

CVPR14 影象檢索papers——影象檢索

1.  Triangulation embedding and democratic aggregation for imagesearch (Orals)

2.  Collaborative Hashing (post)

3.  Packing and Padding: Coupled Multi-index for Accurate ImageRetrieval (post) technical report

4.  Bayes Merging of Multiple Vocabularies for Scalable ImageRetrieval (post) technical report

5.  Fast Supervised Hashing with Decision Trees for High-DimensionalData (post)

6.  Learning Fine-grained Image Similarity with Deep Ranking (post)

7.  Congruency-Based Reranking (post)可能

8.  Fisher and VLAD with FLAIR (post)可能

9.  Locality in Generic Instance Search from One Example (post)

10.  Asymmetric sparse kernelapproximations for large-scale visual search (post)

11.  Locally Linear Hashing forExtracting Non-Linear Manifolds (post)

12.  Adaptive Object Retrievalwith Kernel Reconstructive Hashing (post)

13.  Hierarchical Feature Hashingfor Fast Dimensionality Reduction (post)

CVPR15image retrieval reading list

Image retrieval關鍵詞

·        FAemb: A Function Approximation-Based Embedding Method for Image Retrieval

·        Image Retrieval Using Scene Graphs

·        Revisiting Kernelized Locality-Sensitive Hashing for Improved Large-ScaleImage Retrieval

·        Early Burst Detection for Memory-Efficient Image Retrieval

·        Deep Semantic Ranking Based Hashing for Multi-Label Image Retrieval（已讀）

·        Query-Adaptive Late Fusion for Image Search and Person Re-identification

Hashing關鍵詞

·        Supervised Discrete Hashing

·        Hashing With Binary Autoencoders

·        Reflectance Hashing for Material Recognition

·        Deep Hashing for Compact Binary Codes Learning

·        Online Sketching Hashing

·        Semantics-Preserving Hashing for Cross-View Retrieval

·        Face Video Retrieval With Image Query via Hashing Across Euclidean Spaceand Riemannian Manifold

2016

·     Learning to Hash for Indexing Big Data——A Survey
This paper provides readers with a systematic understanding of insights, pros, and cons of the emerging indexing and search methods for Big Data.
By Jun Wang, Member IEEE, Wei Liu, Member IEEE, Sanjiv Kumar, Member IEEE, and Shih-Fu Chang, Fellow IEEE 

要想對大資料雜湊有一個清晰和透徹的瞭解，我非常推薦以上這篇2016年1月的文章，需要反覆研讀。

其中包含一些大資料現狀與趨勢的剖析，是來自與李武軍老師2015年的一篇中文paper，連結都包含如下，建議都仔細研讀一下，對於該研究方向的同學會獲益匪淺。

參考資料：