传统哈希编码方法

哈希编码就如同从一组图像中学习到一种映射，可以使图像映射至二值的哈希编码上。可以想见，这是一个困难的问题。对于这个问题，传统方法的解决思路是：先对原图像用人工提取的特征来表达，即先从原图像压缩至特征表达，然后再从特征表达映射至哈希编码。

以KSH（Supervised Hashing with Kernel）为例，其所代表的算法如下。

1. 提取特征。在训练集内共含张图，遍历，对第张图提取人工特征，如HoG、SIFT等，然后将特征连接起来形成一个长向量来表达该图：。
2. 分解相似度矩阵。
   1. 将按照标准的两两相似/不相似结果构建矩阵。（即1为相似，0为不相似，则为0和1组成的矩阵，且为图和图相似与否的标注结果。）
   2. 将分解成，使得，则为训练集对应的哈希编码矩阵，其第行对应图片的哈希编码值。
3. 求得特征表达至哈希值的映射：。训练学习结束。
4. 测试时，对应图片，先同样提取特征表达，再根据映射得到其哈希编码

从以上步骤可以看出，难点集中在第（2b）步，即将相似度矩阵分解成可能的哈希编码矩阵，并且约束的取值为0或1。因此，研究者针对如何近似分解相似度矩阵做了大量艰苦的工作。尽管如此，传统方法还是有很大的局限性的。比如，如果训练集过大，则意味着也会过大，分解起来会变的十分困难，甚至不可达成。

而深度学习介入后，这些局限被逐渐打破。深度学习的应用也不是一蹴而就的，在逐步尝试和摸索后，终于找到了一条简捷有力的途径。