近日，人工智能領域全球頂級旗艦會議NeurIPS 2021最終接收論文名單重磅公布。極智嘉AI研究院聯合馬來西亞大學、英國Surrey大學的研究成果在人工智能頂級學術會議NeurIPS 2021上成功發表，充分印證了極智嘉在AI領域的強勁實力備受學術權威認可！

國際神經信息處理系統大會NeurIPS (Conference and Workshop on Neural Information Processing Systems)是人工智能領域全球頂級的旗艦會議，會議的競賽也是全球最高水平的人工智能算法競賽。該會議主要展示機器學習與計算神經科學領域的最新研究進展，其細分主題包括深度學習、計算機視覺和優化稀疏等眾多理論方向。

作為全球AMR引領者，極智嘉憑借著穩定可靠的機器人及系統，結合優秀的軟件和AI算法，持續領跑行業智慧物流變革。在每年的“雙11”、6·18及黑色星期五等大促活動中，如何在海量庫存列表中快速匹配訂單洪峰的需求是每個商家都面臨的挑戰，因此高效準確的庫存和訂單存儲、查詢系統必不可缺。

極智嘉AI研究院入選論文《One Loss for All: Deep Hashing with a Single Cosine Similarity based Learning Objective》提出了全新數據哈希檢索算法，可以高效保障“雙11”等大促極限場景下的庫存和訂單查詢匹配。除此之外，該算法還可以將海量數據進行哈希化壓縮，節約數據存儲空間，降低企業IT運維成本。

哈希檢索算法的具體流程如圖1所示。首先，利用骨架網絡提取數據特征，進行數據維度轉換。然后，利用二值正交化標簽與特征數據進行坐標變換，使得歐式空間的特征能夠在哈希空間進行比較。最后，利用交叉熵來進行數據分類處理，完成數據哈希化過程。

▲圖1 算法流程及余弦相似度計算

傳統算法在歐式空間將數據變換到哈希空間，之后進行數據間的比較或進行哈希化，為此需要使用不同的損失函數來組合評價。與此相比，新算法以余弦相似度為基礎提出一種全新的優化方案，僅使用一種損失函數進行評價，同時不要求特殊網絡設計與訓練技巧，以一種大道至簡的方式實現。具體來說，本算法將原始數據通過特征變換，重新在單位化的歐氏空間進行余弦相似度比較。通過利用余弦相似度打通了哈希空間與歐氏空間的聯系。

如下面公式所示，左側為哈希空間表示了數據點在哈希空間的相似度，公式右側為相同數據點在單位化后的歐氏空間的余弦相似度。因此，該算法可以直接通過在歐式空間的操作完成數據在哈希空間的轉換與比較，清晰的反應了數據在變換后哈希空間的情況，并且對計算機在歐式空間的計算更加有利。因此，極大的優化了計算效力與檢索精度，化繁為簡。

新算法的分類顯著性可由圖2所示。左側為直接基于歐式空間的優化模型，中間及右側為論文提出方案。可以看出在使用余弦相似度評估之后，類比之間的差異被放大，并且在新空間內具備方向性。

▲圖2 交叉熵與余弦相似度的特征分離程度比較

哈希檢索算法在ImageNet、COCO、WIDE等公開數據集上性能表現大幅提升，其中部分數據集比之前的算法檢索精度提升20%左右。新算法預期將大幅提升極智嘉處理海量數據及數據挖掘的能力，更好的服務客戶的實際業務運轉。

▲實驗結果與對比

論文鏈接：https://arxiv.org/abs/2109.14449

工程代碼：https://github.com/kamwoh/orthohash