考量深度學習在檢索方面，由於檢索所需之空間龐大，常需以二元(binary)或雜湊(hash)碼的方式儲存以降低所需空間。而深層網路訓練的特徵大部分為多維的實數向量。我們發展了一個以潛在層(latten layer)學習二元特徵碼的方法，能夠強化所習特徵之檢索速度。

圖：以AlexNet 為例，我們於原本網路的特徵層與輸出層間嵌入一個潛在的0-1表示層，並強迫其輸出值接近0或1。輸出的分類或標籤則依賴於這些0或1的隱觀念來加以學習，藉此以獲得涵蓋語意資訊的二元特徵碼。此處雖以AlexNet為例，本法亦可與其它深層網路配合以有效獲取二元雜湊碼。