《表2 以MAP和Precision@top100作为评估标准,在CIFAR-10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

CIFAR-10数据集的实验结果.表2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）.在两种评估中，本文所提出的DLDAH方法均优于传统方法和基于深度网络的方法.值得注意的是，Hash Net是基于DHN方法的拓展，它采用了一系列的参数化的双曲正切函数作为激活函数以交替训练网络.由于它可以在训练网络后直接生成二值编码，所以在编码质量上效果表现较优.相对而言，DLDAH方法采用可学习的参数化双曲正切函数，它可以在端到端网络中自适应学习更加有效的哈希函数，进而导致表现优于其他深度模型.此外，在这些深度哈希方法中，除DSDH采用类别监督信息外，其余对比方法皆以判断输入的两个图像特征是否相似作为监督信息训练网络.通过对比可以发现，引入类别标签作为监督信息后，MAP分数进一步提升，但是Precision@top100有所降低.这意味着类别标签对于全局整体表现有贡献，但是降低了前100个被检索单元的质量.这也较为符合本文的初始猜想，即类别信息并不能完全满足最近邻检索需求.相较而言，本文所提出的DLDAH方法在两种评估中都超过了这些方法，进一步说明线性判别分析目标适用于哈希最近邻检索需求.