何凯明2013年再cvpr中发表的文章K-means Hashing: an Affinity-Preserving Quantization Method for Learning Binary Compact Codes 源代码

特使 PGP，NaCl和PBKDF2在node.js中和浏览器（散列，随机，加密，解密，签名，转换），通过使用 进口 浏览器导入 对于浏览器，只需要./tenvoy.js或./tenvoy.min.js并且所有依赖项都捆绑在单个文件中。 我们建议包括./tenvoy.min.js.map在同一目录./tenvoy.min.js ，它允许浏览器来重建调试器的原始unminified文件。 < script type =" text/javascript " src =" ./tenvoy.min.js " > </ script > < script > const envoy = new tEnvoy ( ) ; </ script > Node.js NPM 导入 tEnvoy 可通过 NPM 注册表获得。 要安装 tEnvoy，请在终端中使用以下命令： npm instal

深度哈希 DeepHash是一种轻量级的深度学习哈希库，它实现了最新的深度哈希/量化算法。 我们将根据我们发布的持续实施更具代表性的深度哈希模型。 具体来说，我们欢迎其他研究人员根据我们的框架在该工具包中提供深层哈希模型。 我们将宣布对该项目的贡献。 实施的模型包括： DQN：，曹Yue，龙明生，王建民，韩涵，温庆福，AAAI人工智能大会（AAAI），2016 DHN：，韩涵，龙明生，王建民，曹跃，AAAI人工智能大会（AAAI），2016 DVSQ：，曹悦，龙明胜，王建民，刘诗辰，IEEE计算机视觉与模式识别会议（CVPR），2017 DCH： ，曹悦，龙明生，刘斌，王建民，IEEE计算机视觉与模式识别会议（CVPR），2018 DTQ： ，刘斌，曹岳，龙明生，王建民，王敬东，ACM多媒体（ACMMM），2018 注意：DTQ和DCH已更新，而DQN，DHN，DVSQ可能已

本文对深度哈希算法进行了全面的研究。在损失函数的基础上，将深度监督哈希方法按照相似度保留的方式分为:两两相似度保留、多相似度保留、隐式相似度保留和量化。此外，我们还介绍了其他一些主题，如深度无监督哈希和多模态深度哈希方法。同时，我们还介绍了一些常用的公共数据集和深度哈希算法的性能测试方案。最后，我们在结论中讨论了一些可能的研究方向。

Locality-sensitive hashing using stable distributions p稳定局部敏感哈希算法（e2lsh）论文。

深层交叉模式哈希（torchcmh） torchcmh是一个基于PyTorch构建的库，用于深度学习交叉模式哈希。 包含： 数据可视化 基线方法 多个数据读取API 损失函数API 配置调用 数据集 我自己整理了四个数据集（Mirflickr25k，Nus Wide，MS coco，IAPR TC-12），如果要使用这些数据集，请在数据集包中按自述文件下载mat文件和图像文件。 请阅读数据集包中的“” 模型 您可以创建模型或使用现有模型。 我们支持一些预训练模型，您可以详细了解文件。 依存关系 您需要安装这些软件包才能运行 视觉0.1.8+ pytorch 1.0.0+ tqdm 4

介绍感知哈希原理与基本流程

基于哈希的最近邻居搜索已在许多应用程序中变得有吸引力。 但是，在使用汉明距离排序时，散列中的量化通常会降低判别能力。 此外，对于大规模的视觉搜索，现有的散列方法不能直接支持对具有多个源的数据进行有效搜索，而文献表明自适应地合并来自不同源或视图的补充信息可以显着提高搜索性能。 为了解决这些问题，本文提出了一种新颖且通用的方法来构建具有多个视图的多个哈希表，并在按位和按表级别生成细粒度的排名结果。 对于每个哈希表，引入了查询自适应按位加权，以通过同时利用哈希函数的质量及其对最近邻居搜索的补充来减轻量化损失。 从表格的角度来看，针对不同的数据视图构建了多个哈希表作为联合索引，在该哈希表上，提出了特定于查询的排名融合，以通过散布在图表中对按位排名的所有结果进行排名。 在三个著名基准上进行图像搜索的综合实验表明，与最新方法相比，该方法在单表和多表搜索中可分别实现17.11％和20.28％的性能提升。

Isotropic Hashing,一种基于ITQ改进的Hash算法，效果要优于ITQ。

Supervised Hashing with Kernels 简单的介绍了KSH（基于核函数的监督哈希） 主要分以下几部分内容 1.Kernel-Based Supervised Hashing 2.Hash Functions with Kernels 3.Supervised Infromation 4.Code Inner Products 5.Greedy Optimization 6.Spectral Relaxation 7.Sigmoid Smoothing