【摘要】：随着多媒体图像数据的爆炸增长,如何高效并准确地对这些图像进行编码和管理成为了一个重大的挑战。哈希方法具备快速的检索速度和极低的存储空间开销,在此问题上获得了越来越广泛的关注与应用。传统的哈希方法一般使用人工设计的特征来表示图片,存在性能瓶颈。近几年来,随着深度学习技术的发展,研究人员提出了利用神经网络进行特征学习的深度哈希算法,展现出了比传统哈希方法更优异的效果。然而,现有的深度哈希算法大多是有监督的,因此需要大量的有标记训练数据。为了减少标注的代价并充分利用无标记数据,本文提出了一个全新的半监督深度哈希算法,名为基于二部图的深度哈希(Deep Graph,BGDH)。为了挖掘数据潜在的结构特征,BGDH算法利用海量的无标记数据与有限的有标记数据,一起构造包含样本之间相似性信息的二部图来描述数据内在的拓扑结构,并使用无监督图嵌入学习算法为二部图中节点学习图嵌入特征。之后,BGDH算法将有标记样本图片的原始像素作为输入,与样本所在的二部图节点的图嵌入特征一同送入深度神经网络中,并使用有监督学习算法为图像学习深度特征和哈希编码。在训练阶段,为了提高效果,BGDH算法使用端到端的训练方式同时优化无监督部分和有监督部分的损失。由于样本的图嵌入特征是从二部图中习得,基础的BGDH算法无法在检索时为样本外图片学习哈希编码。为了解决这个问题,本文提出了一个归纳式的BGDH算法,它通过增加一个从样本原始像素到图嵌入特征的映射子网络,并在训练过程中同时更新这个子网络来解决样本外问题。然而,归纳式的BGDH算法学习图嵌入特征的能力受到浅层网络的制约,为了进一步提高效果,本文设计了一个改进的归纳式BGDH算法,它通过一个递归地使用相邻节点信息更新节点嵌入特征的聚合函数,生成表示能力更强的深层图嵌入特征,从而提高哈希编码的效果。在两个标准图像检索数据集上的实验结果证明了本文提出的三个深度哈希算法相比以往的哈希工作在检索准确率上取得了显著提升。