Similarity-Preserving Binary Hashing for Image Retrieval in large databases

Abstract

[ES] Las técnicas de hashing se han vuelto muy populares a la hora de resolver problemas de recuperación de imágenes basada en contenido en grandes bases de datos porque permiten representar los vectores de características utilizando códigos binarios compactos. Los códigos binarios proporcionan velocidad y muy eficientes con el uso de la memoria. Los investigadores han tomado diferentes aproximaciones, algunas de ellas basadas en la función objetivo del método Spectral Hashing, entre los que se encuentra el método Anchor Graph Hashing propuesto recientemente. En este trabajo se propone una extensión al método Anchor Graph Hashing que trata con información supervisada/etiquetas. Esta extensión está basada en representar las muestras en un espacio semántico intermedio que viene de la definición de una relación de equivalencia sobre códigos hash geométricos. Los resultados muestran que esta aproximación es una forma efectiva de introducir tal información supervisada el método Anchor Graph Hashing. Por otro lado, los resultados muestran que esta aproximación trata de forma efectiva la información supervisada limpia mientras que hace falta dedicar más esfuerzo en aquellos escenarios donde la información de etiquetas muestra una importante presencia de ruido.

[EN] Hashing techniques have become very popular to solve the content-based image retrieval problem in gigantic image databases because they allow to represent feature vectors using compact binary codes. Binary codes provide speed and are memory-efficient. Different approaches have been taken by researchers, some of them based on the Spectral Hashing objective function, among these the recently proposed Anchor Graph Hashing. In this paper we propose an extension to the Anchor Graph Hashing technique which deals with supervised/label information. This extension is based on representing the samples in an intermediate semantic space that comes from the definition of an equivalence relation in a intermediate geometric hashing. The results show that our approach is a very effective way to incorporate such supervised information to the Anchor Graph Hashing method. On the other hand, the results show that our approach is very effective to deal with clean supervised information but still some further efforts are required in those scenarios where the label information has important presence of noise