软件学报

作者：张雪凝，刘兴波，宋井宽，聂秀山，王少华，尹义龙

单位：张雪凝，山东大学 软件学院, 山东 济南 25010111,刘兴波，山东建筑大学 计算机科学与技术学院, 山东 济南 25010102,宋井宽，电子科技大学 计算机科学与工程学院, 四川 成都 61173103,聂秀山，山东建筑大学 计算机科学与技术学院, 山东 济南 25010104,王少华，山东建筑大学 计算机科学与技术学院, 山东 济南 25010105,尹义龙，山东大学 软件学院, 山东 济南 25010106

关键词：图像检索;大规模数据;近似最近邻检索;哈希学习;相似性保持

基金：国家自然科学基金(62176141, 62176139, 61876098, 62206160); 山东省自然科学基金青年项目(ZR2022QF082); 山东省自然科学基金重大基础研究项目(ZR2021ZD15); 山东省青年泰山项目(tsqn202103088); 山东省杰出青年基金(ZR2021JQ26); 山东建筑大学特聘教授专项

随着互联网空间中图像数据的爆发式增长和图像应用领域的拓宽, 大规模图像检索的需求与日俱增. 哈希学习为大规模图像检索提供显著的存储与检索效率, 并成为近年来一个研究热点. 现有哈希学习综述存在着时效性弱与技术路线不清晰的问题, 即多总结5–10年前的研究成果, 且较少总结哈希学习算法各组成部分间的关联关系. 鉴于此, 通过总结近20年公开发表的哈希学习文献, 对面向大规模图像检索的哈希学习进行系统的综述性研究. 首先, 介绍哈希学习的技术路线和哈希学习算法的主要组成部分, 包括损失函数、优化策略及样本外扩展映射. 其次, 将面向图像检索的哈希学习算法分为无监督哈希方法和监督哈希方法两类, 并分别梳理每类方法的研究现状和演化过程. 然后, 介绍哈希学习算法评估通用的图像数据集与评估指标, 并通过对比实验分析部分经典算法的性能. 最后, 结合哈希学习的局限性与新挑战对其发展前景进行阶段性总结与展望.

来源：2025年第1期

《软件学报》期刊编辑部

查看软件学报杂志2025年第1期