近日，国际顶级学术期刊 《IEEE Transactions on Pattern Analysis and Machine Intelligence》(PAMI)接收了williamhill官网纪荣嵘教授团队的最新研究成果“FastClass-wise Updating for Online Hashing”。PAMI是计算机学科领域最顶级的国际期刊，其影响因子17.861。该论文提出了一种基于类别更新的在线哈希学习技术，简称FCOH。
该论文旨在解决图像特征二值化编码过程中的哈希函数在流数据环境下的更新效率问题，一方面吸取了传统线下哈希方法的优点：低存储空间和高效的汉明距离计算, 另一方面克服了传统哈希图像检索中存在的训练效率低下、内存消耗大的缺点。
大规模流数据环境下，本文提出以类别为单位进行数据划分哈希函数的更新，加快模型收敛，同时增强哈希编码的判别性。
在哈希模型训练的每一个阶段，我们仅仅需要考虑数据对的相似信息，同时考虑了数据对在汉明空间中的相似性信息保留，构建了一种基于快速类别更新的在线哈希学习方法：对于新数据流，以类别为单位进行数据划分并对哈希函数进行更新，增加函数优化过程中的迭代次数以加快模型收敛，将各类数据的编码距离拉开，增加判别能力。同时，为进一步降低传统基于离散优化的训练时间开销问题，我们进一步提出一种半松弛的优化方案，通过量化部分二值化约束为连续性约束，同时保留另一部分二值化约束为常量，极大地提升了基于内积相似性保留哈希检索的训练效率。该算法能够较大程度地保留查询数据和数据库中数据的相似信息，降低精度损失，同时也能使得相似的数据排列在检索列表的前列。在本框架中，需要的训练设备要求较低，对于内存的需求仅需要满足一对数据的大小尽可，基于数据对的训练方式又极大压缩了训练时间的消耗。目前在多个公开的图像检索评测集和评测模型上，都取得了最好的评估结果。
该论文由我校我院媒体分析与计算实验室的博士生林明宝与其导师纪荣嵘（通讯作者）、孙晓帅副教授、北京航空航天大学张宝昌教授、北京大学田永鸿教授、悉尼大学陶大成教授等合作完成。该论文也是纪荣嵘教授团队三年内的第五篇PAMI文章，系列研究成果的发布标志着我校在信息学科人工智能研究领域影响力的逐步提升。本项研究得到了包括国家杰出青年科学基金在内的项目的支持。