近年来随着人工智能研究的迅速发展，计算机视觉的各个研究方向都取得很大突破。在计算机视觉中，图像是最重要的信息载体，如何对图像进行特征表示一直是一个研究热点。作为图像理解和分析的核心问题，图像的特征表示在基于内容的图像检索、图像分类、人脸识别等任务中发挥着重要作用。

    虽然图像的特征表示研究在近年来取得了很大的进步，但是在服务端和边缘端（或者移动端）上仍然存在一些问题。在服务端，随着互联网图片数量的迅速增长，海量图像的特征表示将占用极大的存储空间，如何学习紧凑且有判别力的特征表示是一个值得研究的问题。此外，图像特征表示的方式直接影响到图像的检索速度。在浮点格式的特征表示下，大规模的图像相似度计算会很慢，如果使用低比特定点数的表示方式则能够实现一定程度的加速。在边缘端，基于深度网络的图像特征具有判别力强、语义性高等优点，而且在边缘端进行图像特征抽取可以保护隐私，分担服务器压力。但是边缘计算设备的计算力、存储空间、电量等计算资源都十分有限，如何对图像进行高效地深度特征抽取是一个挑战。

    量化学习是指通过学习的方式将一个大集合（通常为连续空间）内的元素映射到有限元素的小集合内。传统的量化方法有取整和截断，和传统量化方式不同的是，量化学习是在某种损失函数指导下基于数据分布学习到具体的量化方法。量化学习可以有效地减少图像特征表示大小，加快图像的检索速度，同时对图像的高效特征表示也有非常重要的作用，因此研究基于量化学习的图像特征表示具有非常重要的实际应用价值和意义。
 
    本文针对图像特征表示在服务端和边缘端存在的问题，在图像的紧凑特征表示、高效深度特征提取等方面展开研究，具体的研究内容和创新点归纳如下：
   
    1.提出了一种基于快速K均值算法的紧凑图像特征表示方法。通过对特征进行K均值聚类可以实现图像的紧凑表示，但是在大规模图像的场景下，K均值算法的速度是很难接受的。为了加快K均值算法的速度，实现快速的图像特征的紧凑表示，本文提出了一种基于快速K均值算法的紧凑图像特征表示方法，通过由粗到细的搜索策略减少搜索空间，并且在分配聚类中心阶段引入哈希算法来减少候选聚类中心的个数。实验结果表明，本文提出的多阶段K均值算法（MKM）与标准K均值算法相比，在得到近似的聚类精度的同时还能够实现约600倍的加速，能够在大规模数据下快速地将特征量化成紧凑的表示形式。
   
    2. 提出了一种基于伪标签的无监督深度哈希特征表示方法。深度哈希特征具有特征紧凑、易于检索、判别力高等优点，但是深度网络的训练往往需要大量的监督数据，而监督数据的获取代价是十分高昂的。为了解决这个问题，本文提出了一种基于伪标签的无监督深度判别哈希算法。本文从迁移学习的思想受到启发，用预训练的网络提取特征并进行聚类分析得到伪标签。利用伪标签构建分类损失，结合二值约束的量化损失来训练深度哈希网络。本文在公开数据集上进行了实验分析，其结果表明该方法的性能优于现有方法。
 
    3. 提出了一种基于哈希的高效深度特征抽取算法。在边缘端设备上，基于深度网络的特征提取存在速度慢、占用存储大、功耗高等问题，虽然二值权重网络能够实现对网络的压缩和加速，但是同时也会带来较大的精度损失。为了解决该问题，本文提出了一种基于哈希的二值权重网络，能够实现高效的深度特征抽取。本文揭示了保持内积哈希算法和二值权重网络的内在联系，发现网络二值权重的训练问题可以转化成一个哈希问题。为了减少二值量化的损失，对二值编码乘以了一个尺度因子，并且提出了一种交替优化算法来迭代更新二值权重和尺度因子。实验结果表明本文提出的基于哈希的二值权重网络超过了当前最好的方法。值得提出的是，在ResNet-18的图像分类任务中，该方法比当前最好的方法提高了三个百分点的分类精度。
    4. 提出了一种基于二值分解的高效深度特征抽取算法。虽然二值权重网络能够实现高效地深度特征抽取，但是会带来一定的精度损失。二值权重网络精度下降的一个主要原因是表达能力较低，为了解决该问题，本文提出了一种新颖的二值分解算法，通过二值分解得到的二值权重网络有着更强的网络表达能力，因而能够提高二值权重网络的精度。此外本文还提出了一种交替优化算法在保持二值约束的情况下求解二值分解因子。在AlexNet、ResNet-18和ResNet-50等网络上的实验结果均表明我们的方法远超过现有方法。本文在FPGA平台上实现了二值权重的AlexNet网络，结果表明本文提出的二值权重网络在使用更少的内存和乘法器的前提下还能实现约9倍的加速，能够实现高效的深度特征抽取。