P Q network for fast image retrieval

作者是新加坡南洋理工大學的Tan yu。

DQN作者曹越是清華大學軟體學院的博士生，導師最後有軟體學院院長的名字。在圖像檢索領域發表了很多文章，今年發表了一篇跨模態哈希的文章，寫的很長還沒來得及沒看。

SUBIC作者是Himalaya Jain。

1。講pq

2。講一元組，二元組，三元組。

3。dpq等三個。

本文的想法並不新穎，而是將傳統的PQ嵌入到卷積層中，實現更好的效果，另一個貢獻就是提出來與其他文章不同的非對稱三元loss，其實就是融合到sigmoid函數里的loss。（想法1，我們可以將傳統方法與cnn融合獲得更好的效果）

1.在圖像檢索中，精度和效率是兩個關鍵點。

精度方向是向設計更有效的圖像表示方法努力：

傳統的圖像檢索方法都是向提出更好的圖像表示方法努力，提出更有效的聚合方法更重要，比如SIFT運算元等手工特徵。

現在CNN的興起，CNN可以提供富含高級語義信息的特徵，能夠提高精度。

效率方向是向壓縮編碼（緊湊的圖像表示）努力：

通常有兩種方法，哈希和量化。

哈希就是將真實向量轉化為二進位碼，這樣速度和內存都得到了滿足，當然哈希方法最經典的是LSH，後來又提出來一系列深度哈希。

由於哈希方法的二進位碼，雖然0101比較快速，也能用漢明距離表示圖像，但是也正是因為0101限制了圖像點距離的能力。與哈希方法並行的還有乘積量化，乘積就是笛卡爾積，指把原來的向量空間分解為若干個低維向量空間的笛卡爾積，並對分解得到的低維向量空間分別做量化quantization，這一步分解直接就是簡單的維度劃分，然後每個子空間聚類，計算距離是用adc,原始查詢與聚類中心點的原始碼計算歐氏距離，然後在根據聚類的編號查詢。

這樣每個向量就能由多個低維空間的量化code組合表示。笛卡爾積又稱直積表示為X×Y，第一個對象是X的成員而第二個對象是Y的所有可能有序對的其中一個成員。假設集合A={a, b}，集合B={0, 1, 2}，則兩個集合的笛卡爾積為{(a, 0), (a, 1), (a, 2), (b, 0), (b, 1), (b, 2)}

通過非對稱距離的計算方法可以比哈希距離計算的更加精確。

乘積量化編碼！！！

本文的數據集也不新穎，大多數圖像檢索論文都是採用cifar-10與nuswide數據集進行對比。