Recently, hashing has attracted much attention in visual information retrieval due to its low storage cost and fast query speed. The goal of hashing is to map original high-dimensional data into a low-dimensional binary-code space where the similar data points are assigned similar hash codes and dissimilar points are far away from each other. Existing unsupervised hashing methods mainly focus on recovering the pairwise similarity of the original data in hash space, but do not take specific measures to make the generated binary codes to be discriminative. To address this problem, this paper proposes a novel unsupervised hashing method, named “Discriminative Unsupervised Graph Hashing” (DUGH), which takes both similarity and dissimilarity of original data into consideration to learn discriminative binary codes. In particular, a probabilistic model is utilized to learn the encoding of original data in low-dimensional space, which models the original neighbor structure through both positive and negative edges in the KNN graph and then maximizes the likelihood of observing these edges. To efficiently and accurately measure the neighbor structure for large-scale datasets, we propose an effective KNN graph construction algorithm based on the random projection tree and neighbor exploring techniques. The experimental results on one synthetic dataset and four typical real-world image datasets demonstrate that the proposed method significantly outperforms the state-of-the-art unsupervised hashing methods.

中文翻译：

---

使无监督图哈希具有判别性

近来，散列因其低存储成本和快速查询速度而在视觉信息检索中备受关注。散列的目标是将原始高维数据映射到低维二进制代码空间，其中相似的数据点被分配相似的散列代码，而不同的点彼此相距较远。现有的无监督哈希方法主要侧重于恢复原始数据在哈希空间中的成对相似度，而没有采取具体措施使生成的二进制代码具有判别性。针对这个问题，本文提出了一种新的无监督散列方法，称为“判别无监督图散列”（DUGH），它同时考虑原始数据的相似性和相异性来学习判别二进制代码。特别是，利用概率模型学习低维空间中原始数据的编码，通过 KNN 图中的正负边对原始邻居结构进行建模，然后最大化观察这些边的可能性。为了高效准确地测量大规模数据集的邻居结构，我们提出了一种基于随机投影树和邻居探索技术的有效 KNN 图构建算法。在一个合成数据集和四个典型的现实世界图像数据集上的实验结果表明，所提出的方法明显优于最先进的无监督哈希方法。它通过 KNN 图中的正负边对原始邻居结构进行建模，然后最大化观察这些边的可能性。为了高效准确地测量大规模数据集的邻居结构，我们提出了一种基于随机投影树和邻居探索技术的有效 KNN 图构建算法。在一个合成数据集和四个典型的现实世界图像数据集上的实验结果表明，所提出的方法明显优于最先进的无监督哈希方法。它通过 KNN 图中的正负边对原始邻居结构进行建模，然后最大化观察这些边的可能性。为了高效准确地测量大规模数据集的邻居结构，我们提出了一种基于随机投影树和邻居探索技术的有效 KNN 图构建算法。在一个合成数据集和四个典型的现实世界图像数据集上的实验结果表明，所提出的方法明显优于最先进的无监督哈希方法。我们提出了一种基于随机投影树和邻居探索技术的有效 KNN 图构建算法。在一个合成数据集和四个典型的现实世界图像数据集上的实验结果表明，所提出的方法明显优于最先进的无监督哈希方法。我们提出了一种基于随机投影树和邻居探索技术的有效 KNN 图构建算法。在一个合成数据集和四个典型的现实世界图像数据集上的实验结果表明，所提出的方法明显优于最先进的无监督哈希方法。