Hashing methods for efficient image retrieval aim at learning hash functions that map similar images to semantically correlated binary codes in the Hamming space with similarity well preserved. The traditional hashing methods usually represent image content by hand-crafted features. Deep hashing methods based on deep neural network (DNN) architectures can generate more effective image features and obtain better retrieval performance. However, the underlying data structure is hardly captured by existing DNN models. Moreover, the similarity (either visually or semantically) between pairwise images is ambiguous, even uncertain, to be measured in the existing deep hashing methods. In this article, we propose a novel hashing method termed deep fuzzy hashing network (DFHN) to overcome the shortcomings of existing deep hashing approaches. Our DFHN method combines the fuzzy logic technique and the DNN to learn more effective binary codes, which can leverage fuzzy rules to model the uncertainties underlying the data. Derived from fuzzy logic theory, the generalized hamming distance is devised in the convolutional layers and fully connected layers in our DFHN to model their outputs, which come from an efficient xor operation on given inputs and weights. Extensive experiments show that our DFHN method obtains competitive retrieval accuracy with highly efficient training speed compared with several state-of-the-art deep hashing approaches on two large-scale image datasets: CIFAR-10 and NUS-WIDE.

中文翻译：

---

用于高效图像检索的深度模糊哈希网络

用于高效图像检索的散列方法旨在学习将相似图像映射到汉明空间中语义相关的二进制代码的散列函数，并保留相似性。传统的哈希方法通常通过手工制作的特征来表示图像内容。基于深度神经网络（DNN）架构的深度哈希方法可以生成更有效的图像特征并获得更好的检索性能。然而，现有的 DNN 模型很难捕获底层数据结构。此外，成对图像之间的相似性（无论是视觉上还是语义上）是模糊的，甚至是不确定的，要在现有的深度哈希方法中进行测量。在本文中，我们提出了一种称为深度模糊哈希网络（DFHN）的新型哈希方法，以克服现有深度哈希方法的缺点。我们的 DFHN 方法结合了模糊逻辑技术和 DNN 来学习更有效的二进制代码，它可以利用模糊规则对数据的不确定性进行建模。源自模糊逻辑理论，广义汉明距离是在我们的 DFHN 中的卷积层和全连接层中设计的，以对其输出进行建模，这些输出来自对给定输入和权重的有效异或运算。大量实验表明，与在两个大规模图像数据集 CIFAR-10 和 NUS-WIDE 上的几种最先进的深度哈希方法相比，我们的 DFHN 方法以高效的训练速度获得了具有竞争力的检索精度。源自模糊逻辑理论，广义汉明距离是在我们的 DFHN 中的卷积层和全连接层中设计的，以对其输出进行建模，这些输出来自对给定输入和权重的有效异或运算。大量实验表明，与在两个大规模图像数据集 CIFAR-10 和 NUS-WIDE 上的几种最先进的深度哈希方法相比，我们的 DFHN 方法以高效的训练速度获得了具有竞争力的检索精度。源自模糊逻辑理论，广义汉明距离是在我们的 DFHN 中的卷积层和全连接层中设计的，以对其输出进行建模，这些输出来自对给定输入和权重的有效异或运算。大量实验表明，与在两个大规模图像数据集 CIFAR-10 和 NUS-WIDE 上的几种最先进的深度哈希方法相比，我们的 DFHN 方法以高效的训练速度获得了具有竞争力的检索精度。