Come funziona l'hashing profondo per trovare immagini e testi in un attimo?

Nel mondo digitale di oggi, foto, video e testi si moltiplicano a ritmo incalzante. Cercare un'immagine usando una descrizione testuale, o viceversa, diventa un vero rompicapo per i computer. Qui entra in gioco l'hashing, una tecnica che trasforma dati complessi in brevi sequenze di bit, chiamate codici hash, facili da confrontare. Il nuovo metodo RSDDH (Robust Supervised Deep Discrete Hashing) propone un approccio “tutto in uno”: una rete neurale convoluzionale elabora le immagini, mentre un multilayer perceptron si occupa del testo, creando rappresentazioni specifiche per ogni modalità. La vera innovazione è la selezione di feature non ridondanti, che elimina le informazioni superflue e genera codici più distintivi. Inoltre, RSDDH utilizza uno schema di hashing discreto (SVDDH) che rispetta direttamente la natura binaria dei codici, senza approssimazioni. Per avvicinare i due mondi, il modello mantiene coerenza sia tra le modalità (inter-modale) sia all'interno della stessa modalità (intra-modale). I test su quattro dataset di riferimento mostrano che RSDDH supera di gran lunga i metodi precedenti, garantendo ricerche più rapide e precise in enormi collezioni multimediali.

RSDDH si basa su una architettura ibrida che combina CNN per l'estrazione di caratteristiche visive e MLP per quelle testuali. La selezione non ridondante delle feature è implementata tramite una penalizzazione L1 sul vettore di importanza, favorendo la sparseness e riducendo la correlazione tra dimensioni. Il nucleo SVDDH risolve il problema di ottimizzazione binaria mediante un algoritmo di programmazione quadratica con vincoli discreti, evitando la comune rilassazione continua che può introdurre errori di quantizzazione. Per garantire coerenza inter-modale, il modello minimizza la distanza di Hamming tra coppie corrispondenti (immagine‑testo) usando una loss di tipo contrastiva, mentre la coerenza intra-modale è mantenuta tramite una loss di classificazione supervisionata su ciascuna modalità. L'addestramento avviene end‑to‑end con back‑propagation, aggiornando simultaneamente i pesi della CNN, dell'MLP e i parametri di selezione delle feature. I risultati sperimentali mostrano un aumento medio del 12% in MAP (Mean Average Precision) rispetto ai migliori metodi di stato dell'arte, confermando l'efficacia della riduzione della ridondanza e della gestione discreta dei codici hash.