近日，实验室2021级博士生康潇一篇论文“Discrete Online Cross-Modal Hashing With Consistency Preservation”（作者：康潇，刘兴波，薛雯，张雪凝，聂秀山，尹义龙）被CCF B类、中科院一区Top期刊 Pattern Recognition（PR）录用，影响因子为7.6。Pattern Recognition是模式识别领域的顶级期刊之一。

近年来,随着海量流媒体数据的快速增长,在线跨模态哈希学习技术受到广泛关注,它可以有效降低存储需求,提升在线跨模态检索的效率。尽管取得了一定的进展，现有方法仍存在一些挑战有待解决，如：标签类间关联不明确，以及多模态协同训练和跨模态独立检索过程不协调的问题。针对上述问题，本文提出一种基于双一致性保持的在线跨模态哈希学习方法。一方面，该方法引入特征与标签的互补学习，生成连续语义标签和细粒度相似性图，更好地挖掘样本类内、类间关系，从而实现多模态流数据的语义一致性保持；另一方面，该方法设计模态级的偏移校正机制来弥合跨模态独立检索时的模态缺失问题，实现多模态协同训练和跨模态独立检索之间的一致性。在三个广泛使用的基准数据集上的大量实验结果表明,相比现有方法,所提出的DOCMH在各种场景下都能取得更优异的性能。