近日，实验室2019级博士生史洋一篇论文“Supervised Adaptive Similarity Matrix Hashing”（作者：史洋，聂秀山，刘兴波，邹丽，尹义龙）被CCF A类期刊IEEE Transactions on Image Processing （TIP）录用，影响因子为10.856。TIP是国际人工智能计算机视觉顶尖和权威学术期刊之一。

紧凑的哈希码可以促进大规模的多媒体检索，显着减少存储和计算。大多数哈希学习方法基于数据相似度矩阵学习哈希函数，该矩阵由监督标签或距离度量类型预定义。然而，这种预定义的相似度矩阵并不能准确地反映图像之间真实的相似度关系，导致哈希学习方法的检索性能较差，尤其是在高度依赖相似度关系的多标签数据集和零样本数据集中。为此，本研究通过特征标签空间一致性提出了一种称为监督自适应相似性矩阵哈希（SASH）的监督哈希学习方法。 具体来说，所提出的方法不仅自适应地学习相似度矩阵，而且通过保持特征和标签空间之间的一致性来提取标签相关性，然后使用该相关信息来优化相似度矩阵。在三个大型正常基准数据集（包括两个多标签数据集）和三个大型零样本基准数据集上的实验表明，所提出的方法具有出色的性能。