最近,受益于散列的存储和检索效率和深层神经网络强大的区别的特征提取能力,跨通道深处散列检索吸引了越来越多的关注。保护跨通道的语义相似实例在哈希映射过程中,大多数现有的跨通道深处散列方法通常用成对学习深哈希网络损失或三联体的损失。然而,这些方法可能没有完全探索跨形式的相似关系。为了解决这个问题,在这篇文章中,我们介绍一个成套的损失为跨通道深处散列和提出一个quadruplet-based跨通道深处散列(称为QDCMH)方法。广泛的实验在两个基准跨通道检索数据表明,我们建议的方法达到最先进的性能和展示在跨通道散列成套的效率损失。