Online image hashing has attracted increasing research attention recently, which receives large-scale data in a streaming manner to update the hash functions on-the-fly. Its key challenge lies in the difficulty of balancing the learning timeliness and model accuracy. To this end, most works follow a supervised setting, i.e., using class labels to boost the hashing performance, which defects in two aspects: first, strong constraints, e.g., orthogonal or similarity preserving, are used, which however are typically relaxed and lead to large accuracy drops. Second, large amounts of training batches are required to learn the up-to-date hash functions, which largely increase the learning complexity. To handle the above challenges, a novel supervised online hashing scheme termed H adamard M atrix Guided O nline H ashing (HMOH) is proposed in this paper. Our key innovation lies in introducing Hadamard matrix, which is an orthogonal binary matrix built via Sylvester method. In particular, to release the need of strong constraints, we regard each column of Hadamard matrix as the target code for each class label, which by nature satisfies several desired properties of hashing codes. To accelerate the online training, LSH is first adopted to align the lengths of target code and to-be-learned binary code. We then treat the learning of hash functions as a set of binary classification problems to fit the assigned target code. Finally, extensive experiments on four widely-used benchmarks demonstrate the superior accuracy and efficiency of HMOH over various state-of-the-art methods. Codes can be available at https://github.com/lmbxmu/mycode .

中文翻译：

---

Hadamard 矩阵引导的在线散列

在线图像哈希最近引起了越来越多的研究关注，它以流式方式接收大规模数据以即时更新哈希函数。其关键挑战在于难以平衡学习时效性和模型准确性。为此，大多数工作都遵循监督设置，即使用类标签来提高散列性能，其缺陷有两个方面：首先，使用了强约束，例如正交或相似性保留，但通常是宽松的和领先的到大的精度下降。其次，需要大量的训练批次来学习最新的哈希函数，这在很大程度上增加了学习的复杂度。为了应对上述挑战，本文提出了一种称为 Hadamard 矩阵引导在线哈希 (HMOH) 的新型监督在线哈希方案。我们的关键创新在于引入了 Hadamard 矩阵，它是一种通过 Sylvester 方法构建的正交二进制矩阵。特别地，为了释放强约束的需要，我们将 Hadamard 矩阵的每一列作为每个类标签的目标代码，这本质上满足了哈希码的几个期望属性。为了加速在线训练，首先采用LSH对齐目标代码和待学习二进制代码的长度。然后，我们将哈希函数的学习视为一组二进制分类问题，以适应指定的目标代码。最后，对四个广泛使用的基准进行的大量实验证明了 HMOH 优于各种最先进方法的准确性和效率。代码可以在 https://github.com/lmbxmu/mycode 获得。这是通过 Sylvester 方法构建的正交二进制矩阵。特别地，为了释放强约束的需要，我们将 Hadamard 矩阵的每一列作为每个类标签的目标代码，它本质上满足了哈希码的几个期望属性。为了加速在线训练，首先采用LSH对齐目标代码和待学习二进制代码的长度。然后，我们将哈希函数的学习视为一组二进制分类问题，以适应指定的目标代码。最后，对四个广泛使用的基准进行的大量实验证明了 HMOH 优于各种最先进方法的准确性和效率。代码可以在 https://github.com/lmbxmu/mycode 获得。这是通过 Sylvester 方法构建的正交二进制矩阵。特别地，为了释放强约束的需要，我们将 Hadamard 矩阵的每一列作为每个类标签的目标代码，这本质上满足了哈希码的几个期望属性。为了加速在线训练，首先采用LSH对齐目标代码和待学习二进制代码的长度。然后我们将哈希函数的学习视为一组二进制分类问题，以适应指定的目标代码。最后，对四个广泛使用的基准进行的大量实验证明了 HMOH 优于各种最先进方法的准确性和效率。代码可以在 https://github.com/lmbxmu/mycode 获得。我们将 Hadamard 矩阵的每一列作为每个类标签的目标代码，它本质上满足散列码的几个期望属性。为了加速在线训练，首先采用LSH对齐目标代码和待学习二进制代码的长度。然后，我们将哈希函数的学习视为一组二进制分类问题，以适应指定的目标代码。最后，对四个广泛使用的基准进行的大量实验证明了 HMOH 优于各种最先进方法的准确性和效率。代码可以在 https://github.com/lmbxmu/mycode 获得。我们将 Hadamard 矩阵的每一列作为每个类标签的目标代码，它本质上满足散列码的几个期望属性。为了加速在线训练，首先采用LSH对齐目标代码和待学习二进制代码的长度。然后，我们将哈希函数的学习视为一组二进制分类问题，以适应指定的目标代码。最后，对四个广泛使用的基准进行的大量实验证明了 HMOH 优于各种最先进方法的准确性和效率。代码可以在 https://github.com/lmbxmu/mycode 获得。首先采用LSH对齐目标代码和待学习二进制代码的长度。然后我们将哈希函数的学习视为一组二进制分类问题，以适应指定的目标代码。最后，对四个广泛使用的基准进行的大量实验证明了 HMOH 优于各种最先进方法的准确性和效率。代码可以在 https://github.com/lmbxmu/mycode 获得。首先采用LSH对齐目标代码和待学习二进制代码的长度。然后，我们将哈希函数的学习视为一组二进制分类问题，以适应指定的目标代码。最后，对四个广泛使用的基准进行的大量实验证明了 HMOH 优于各种最先进方法的准确性和效率。代码可以在 https://github.com/lmbxmu/mycode 获得。