TreezzZ / HCOH_Pytorch

《Supervised Online Hashing via Hadamard Codebook Learning》 PyTorch实现

Supervised Online Hashing via Hadamard Codebook Learning

论文Supervised Online Hashing via Hadamard Codebook Learning

Requirements

1. pytorch 1.1
2. loguru

Dataset

1. CIFAR-10-vgg

Usage

python run.py --data-path <dataset-path> --num-hadamard 32 --lr 2e-4 --topk -1

日志记录在logs文件夹内

usage: run.py [-h] [--dataset DATASET] [--data-path DATA_PATH]
              [--num-hadamard NUM_HADAMARD] [--code-length CODE_LENGTH]
              [--num-query NUM_QUERY] [--num-train NUM_TRAIN] [--topk TOPK]
              [--lr LR] [--gpu GPU]

HCOH_PyTorch

optional arguments:
  -h, --help            show this help message and exit
  --dataset DATASET     Dataset used to train (default: cifar10-vgg)
  --data-path DATA_PATH
                        Path of dataset
  --num-hadamard NUM_HADAMARD
                        Number of hadamard codebook columns.
  --code-length CODE_LENGTH
                        Binary hash code length (default: 12)
  --num-query NUM_QUERY
                        Number of query dataset. (default: 1000)
  --num-train NUM_TRAIN
                        Number of training dataset. (default: 20000)
  --topk TOPK           Compute map of top k (default: 5000)
  --lr LR               Learning rate(default: 2e-4)
  --gpu GPU             >0, using gpu id; -1, cpu (default: -1)

Experiments

复现过程中有两个坑。

1. W,W_prime需要进行归一化，否则W @ data过大，造成tanh只会输出-1,+1，梯度为0，没法更新。
2. 论文3.4节给出的P的计算公式为P=(1-tanh(x))*tanh(x)，作者实际放出的代码里是P=1-tanh(x)*tanh(x)，前者没法更新或者效果很差， 我没细推公式，可能是作者论文里打错公式了。

cifar10: 1000 query images, 20000 training images, 60000 database images.

每个code_length跑10次，计算map平均值。

Cifar10	8-bit	16-bit	32-bit	64-bit	128-bit
mAP	0.561	0.656	0.728	0.736	0.745
Precision@500	0.633	0.725	0.778	0.782	0.793