Page 65 - 《软件学报》2026年第5期

1944 软件学报 2026 年第 37 卷第 5 期

在两个通用数据集中, 使用 16 bits、32 bits、48 bits 和 64 bits 长度的哈希码对现有方法进行测试后发现, 本
文方法准确率的提升更为显著. 在 MirFlickr 和 NUS-WIDE 数据集中, 不同哈希码长度设置下对比目前最优的方
法分别提升了 2.7% 和 1.1%. 这说明了本文方法对前一部分检索结果的优化更为明显, 这是因为在提供更加准确
的弱监督信号后, 模型可以更好地对图像内容进行哈希学习. 但是对于 NUS-WIDE 数据集中较长哈希码的情况,
提升幅度同样低于平均水平.
本文绘制了 MirFlickr 和 NUS-WIDE 数据集在 4 种不同哈希码长度下各方法的 P@N 曲线, 如图 4 和图 5 所
示. 可见, 对于在排名前 1 000 的返回值内本文方法在两个数据集上都优于现有的方法.

LSH SH ITQ WDHT MGRN EWSH WSHRCA CTRH
0.9 0.9
0.8
Precision 0.7 Precision 0.8 Precision 0.8 Precision 0.8
0.7
0.7
0.6 0.7
0.6 0.6
200 400 600 800 1 000 200 400 600 800 1 000 200 400 600 800 1 000 200 400 600 800 1 000
Number of top Number of top Number of top Number of top
ranked samples ranked samples ranked samples ranked samples
(a) 16 bits (b) 32 bits (c) 48 bits (d) 64 bits
图 4 各方法在 MirFlickr 数据集上不同哈希码长度的 P@N 曲线

LSH SH ITQ WDHT MGRN EWSH WSHRCA CTRH
0.8 0.8 0.8
0.8
0.7 0.7 0.7
Precision 0.6 Precision 0.6 Precision Precision 0.7

0.5 0.6
0.5 0.6
0.4
200 400 600 800 1 000 200 400 600 800 1 000 200 400 600 800 1 000 200 400 600 800 1 000
Number of top Number of top Number of top Number of top
ranked samples ranked samples ranked samples ranked samples
(a) 16 bits (b) 32 bits (c) 48 bits (d) 64 bits
图 5 各方法在 NUS-WIDE 数据集上不同哈希码长度的 P@N 曲线

本文还评估了各方法在 MirFlickr 和 NUS-WIDE 数据集上不同哈希码长度的 PR 曲线, 如图 6 和图 7 所示. 可
见, 本文方法对比目前该领域最好的方法有一定的提升.

LSH SH ITQ WDHT MGRN EWSH WSHRCA CTRH
0.8
0.8 0.8 0.8
Precision 0.7 Precision 0.7 Precision 0.7 Precision 0.7

0.6 0.6 0.6 0.6
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
Recall Recall Recall Recall
(a) 16 bits (b) 32 bits (c) 48 bits (d) 64 bits
图 6 各方法在 MirFlickr 数据集上不同哈希码长度的 PR 曲线

为了更加直观地展示哈希图像检索的可视化结果, 本文将输入查询图像后得到的前 10 个返回结果汇总如图 8
所示. 其中, 绿色框标注的图片代表检索正确的结果, 红色框标注的代表检索有误的图片. 从中可见, 本文方法在弱
监督哈希图像检索领域可以根据图像内容取得不错的检索效果.