基于概率偏移深度非对称语义哈希的多标签图像检索优化研究

本文提出DASH-PS（Deep Asymmetric Semantic Hashing with Probability Shifting）框架，通过非对称聚焦策略（asymmetric focusing）和概率偏移策略（probability shifting）设计非对称语义损失函数，解决多标签场景下负-正样本失衡（negative-positive imbalance）和误标注问题，显著提升哈希码判别力与检索效率。实验在MIRFLICKR-25K等数据集验证其优于现有哈希方法（hashing methods）。

　　

Highlight

本文亮点：

1. 1.

   首次提出非对称损失结构下潜在语义关系探索框架DASH-PS

2. 2.

   通过非对称聚焦与概率偏移策略协同优化，解决样本失衡与误标注

3. 3.

   引入自适应非对称学习机制动态调整损失函数

Methodology

方法学

特征提取：采用CNN网络获取图像潜在语义表征。

哈希学习：

• •

  非对称聚焦策略：对正负样本解耦并分配不同衰减因子，保留正样本贡献的同时聚焦困难负样本

• •

  概率偏移策略：通过概率偏移剔除易负样本和疑似误标的极难负样本（p≈1）

  自适应机制：动态调整损失非对称度，简化超参数选择

Experiments

实验验证

在MIRFLICKR-25K、NUS-WIDE和MS COCO数据集上：

• •

  平均检索精度（mAP）提升3.5%-7.2%

• •

  显著改善召回率（recall）与排序效果

Conclusion

结论

DASH-PS框架通过非对称语义损失有效缓解多标签检索中的样本偏差问题，未来将探索其在跨模态检索中的应用。