《表1 以MAP和Precision@top100作为评估标准,在MNIST数据集上不同哈希方法的对比结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度线性判别分析的哈希技术》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

MNIST数据集的实验结果.表1展示以MAP和Precision@top100作为评估标准进行对比的结果（其中加粗表示本列最优结果，下划线表示次优结果）.相比于其他方法，本文提出的DLDAH方法在两种评估中都具有较优表现.具体而言，结果对比中有3点需要注意.第1，LDAH比传统监督哈希方法表现要差，甚至要比一些无监督方法差，如ITQ.这是因为LDA采用的线性判别分析并不适用于处理如此高维的非线性数据.然而，所采取的DLDAH方法却可以取得MAP评估中50%～80%的提升.这样的表现来自于采用有效的LDA目标训练完整的神经网络.第2，采用三元损失（triplet loss）的深度模型（即DTSH方法）在MAP表现上比采用二元损失的方法（即DHN方法）表现更优，但是在Precision@top100上表现较弱.这可能是因为三元损失将更多的注意力用于区分不同类别的样本，但是却缺少对类内协方差缩小的考量，而二元损失却正好持相反作用.由于DLDAH具有上述二者的共同优势，所以在MAP和Precision@top100上都具有较优表现.第3，DSDH方法在选取的对比方法中展示出最优表现，这是因为它结合了二元损失和独热编码监督信息.事实上，二元标签是来自于独热标签的，这也意味着基于二元损失的双流监督信息是冗余的，也同时导致了更为复杂的交替优化策略，相对而言，DLDAH结合成熟的随机梯度下降方法，具有更好的表现.