本文首次撰稿于2022年5月9日，旨在记录一些关于深度无监督哈希学习中的心得笔记。

本文部分内容及文章排列顺序参考综述 A Survey on Deep Hashing Methods.

如文中有误，请予以批评指正！

概述

       近年来，无监督哈希学习由于其对未标记数据的充分利用而受到了广泛的关注，并在现实世界中提供了广泛的应用。由于深度无监督哈希算法不能直接获取样本的标签（label）信息，因此语义信息通常是通过预训练好的深度网络在深度特征空间中获得的。然而，如何推断语义信息和如何利用语义信息作为监督来指导哈希码的学习过程是深度无监督哈希学习的关键问题。根据语义信息的获取方式，深度无监督哈希算法可以分为三类，分别是基于相似度重构的方法（similarity reconstruction-based methods）、基于伪标签的方法（pseudo-label-based methods）和基于免预测自监督学习的方法（prediction-free self-supervised learning methods）。其中，基于相似度重构的方法通常生成成对的语义信息作为监督指导哈希码的学习过程，基于伪标签的方法通常为输入生成单样本（pointwise）伪标签，而基于免预测自监督学习的方法直接利用数据本身进行训练，训练过程中不生成显式的语义信息，即前文所提到的成对语义信息和伪标签。

基于相似度重构的方法

1.Semantic Structure-based Unsupervised Deep Hashing (SSDH)（PDF）