跨模态哈希模型（CMH）被提出以显着降低大规模跨模态数据检索系统的开销。然而在许多实际应用中，新类别的数据不断到达要求跨模态哈希方法具有良好的可扩展性。即以最小的成本来自适应更新以兼容新类别的数据，并同时在旧数据上保持良好的性能。不幸的是，现有的CMH方法无法满足可扩展性要求。对此，项目组提出了一种新颖的可扩展跨模态哈希（ECMH）实现高效，低成本的模型扩展，细节如图1所示。ECMH具有几个理想的特性：1）它具有良好的前向兼容性，因此无需更新旧的哈希码； 2）通过精心设计的“弱约束增量学习”算法，能仅仅使用新数据就将ECMH模型扩展到可以支持新数据类别，与采用新旧数据重新训练模型的方法相比，可节省多达91％的时间成本； 3）它可以同时在新旧数据上达到高的检索精度。该工作发表在CCF A类会议IJCA 2019上。

图 1. 可扩展的跨模态哈希机制