Deep Ordinal Hashing

主要采用的是ranking to hashing的方式。

大部分的deep hashing的方式是直接使用全连接层的输出并将其映射到hash code空间。但是全局的信息会带来空间信息损失 的问题，导致学习到的hash code不是最优的。所以文章提出来使用注意力机制，来抽取局部空间特征。

考虑到在hash code进行量化的时候，通常使用的sign() 和threshold() 函数对噪音数值敏感，所以提出来使用基于排序的函数

1. 强调了局部空间的特征。
2. 利用排序结构对局部特征和全局特征进行排序，从而得到一个秩相关的表示。

网络主要分为三部分：

• 通过FCN和CNN学习局部空间和全局语意信息。
• 通过一个子网络来对局部和全局的语意信息进行encoding，构架排序模型。
• 使用一个有序表示学习来产生紧凑的hash code。

CNN部分

CNN部分主要采用AlexNet，在conv1-conv5, fc6-fc7, fc-c的基础之上再添加了一层全连接层fc-8. 这部分主要用来学习全局的语意特征。

FCN部分

同样基于AlexNet，将fc-6， fc-7替换成了两个卷积层conv6， conv7，再在之后添加了一fc-c。其中conv7后面连接了一个Global Average Pooling层 pool7