Le principal objectif du hachage supervisé est de convertir les caractéristiques originales en codes binaires courts qui peuvent maintenir la similarité des étiquettes dans l'espace de Hamming. En raison de leur forte capacité de généralisation, les fonctions de hachage non linéaires se sont révélées supérieures aux fonctions linéaires. Les fonctions à noyau sont fréquemment utilisées dans la littérature pour créer des fonctions de hachage non linéaires, ce qui se traduit par des performances de recherche encourageantes, mais par des temps d'évaluation et d'apprentissage longs. Nous proposons ici d'utiliser des arbres de décision boostés, qui sont rapides à former et à évaluer et qui conviennent donc mieux au hachage avec des données de grande dimension. Dans le cadre de l'amélioration continue, nous proposons d'abord des formulations sous-modulaires pour le problème de l'inférence du code binaire de hachage, ainsi qu'une technique efficace de recherche par blocs basée sur le Graph Cut pour l'inférence à grande échelle. Ensuite, nous formons des arbres de décision boostés en fonction des codes binaires afin d'apprendre les fonctions de hachage. Les expériences montrent qu'en termes de précision d'extraction et de durée d'apprentissage, la stratégie que nous proposons surpasse largement la majorité des méthodes de pointe.