基于跨模態(tài)哈希的圖文檢索研究.pdf

1、信息爆炸式增長導致信息呈現規(guī)模大、模態(tài)多、特征維度高的特點，這些特點對信息處理帶來新的挑戰(zhàn)。在信息檢索領域，尋找樣本的最近鄰是核心工作。然而，由于數據這些新特點導致最近鄰檢索出現計算復雜度高、存儲量大的問題。哈希技術由于其存儲量低、檢索速度快的優(yōu)點，受到越來越多的重視。同時多媒體數據呈現多源異構特點，跨模態(tài)檢索方法也成為熱門研究課題。最近越來越多的跨模態(tài)哈希方法涌現出來。然而它們主要存在幾個問題：
　?。?）算法訓練復雜度高。主要

2、原因有：一方面，模型訓練需要學習各個模態(tài)的哈希函數，使得迭代優(yōu)化更加困難。另一方面，單個模態(tài)內部獲得理想的哈希函數也需要消耗大量計算資源。
　?。?）忽視哈希量化損失。常見的算法主要將異構的多媒體數據映射到一個共同連續(xù)低維子空間，然后量化處理獲得哈希碼。由于哈希碼的離散特點，該問題是一個整數規(guī)劃問題，直接將哈希碼離散約束條件放松的優(yōu)化方法會帶來較大的量化損失，進而影響檢索準確率。
　?。?）算法數據庫適應能力差。常見的跨模態(tài)

3、哈希算法對單標簽、多標簽、大規(guī)模數據庫和高維度數據庫中的一種或者幾種性能良好。但很少有算法能適應各種數據庫。
　　針對以上問題，本文以圖文檢索為例研究跨模態(tài)哈希算法的模型設計和優(yōu)化方法，具體工作如下：
　?。?）針對訓練復雜度高的問題，本文提出一種簡潔而有效的跨模態(tài)哈希算法。該算法首先利用單模態(tài)哈希算法從樣本的一個模態(tài)中獲得理想統(tǒng)一哈希碼，然后應用線性回歸獲得其他模態(tài)的哈希函數。顯然這個非迭代的方法能極大降低計算復雜度。