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。

三维Hashin子程序，区分失效模式，对于复合材料渐进损伤分析大有裨益

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

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