基于哈希方法的跨媒體檢索研究.pdf_第1頁
已閱讀1頁,還剩125頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、隨著計算機網(wǎng)絡的快速發(fā)展和便攜式設備的普及,網(wǎng)絡上的文本、圖像、音頻和視頻等多種模態(tài)的數(shù)據(jù)呈現(xiàn)爆炸式增長,在海量數(shù)據(jù)中進行跨媒體檢索成為新的挑戰(zhàn)。一方面,不同媒體數(shù)據(jù)的表示呈現(xiàn)異構性,如何度量異構數(shù)據(jù)的相似度成為跨媒體檢索的一個關鍵問題。另一方面,互聯(lián)網(wǎng)上的數(shù)據(jù)數(shù)量大,數(shù)據(jù)表示維度高,如何實現(xiàn)準確而又高效的檢索成為亟待解決的問題。哈希方法把高維數(shù)據(jù)映射到低維的漢明空間,為大規(guī)模跨媒體快速檢索提供了一條有效途徑。本文主要圍繞基于哈希方法的

2、圖文跨媒體檢索問題展開研究,主要創(chuàng)新成果如下:
  (1)針對哈希碼的每位取值不表示任何含義的問題,本文提出一種基于映射字典學習的無監(jiān)督跨媒體哈希算法。首先,利用映射字典學習為圖像和文本模態(tài)學習一個共享語義空間。傳統(tǒng)的字典學習方法由于加入稀疏約束項,會導致較高的計算復雜度,本文利用線性映射代替非線性的稀疏編碼,降低了計算復雜度。然后,提出一種迭代優(yōu)化算法,得到目標函數(shù)的局部最優(yōu)解。最后,提出通過學習正交旋轉(zhuǎn)矩陣最小化量化誤差,提升

3、算法的性能。
  (2)針對已有算法在共享子空間學習時忽視樣本模態(tài)內(nèi)一致性的問題,提出一種基于語義一致性的跨媒體哈希算法。首先,分別利用協(xié)同非負矩陣分解和近鄰保持算法保持樣本的模態(tài)間和模態(tài)內(nèi)一致性,學習區(qū)分性能更好的共享語義子空間;然后,提出一種高效的計算復雜度為O(N)優(yōu)化算法,使算法具有良好的可擴展性。在兩個公開數(shù)據(jù)集上的實驗結果表明了該算法的有效性。
  (3)當圖文數(shù)據(jù)有標簽時,針對大部分算法只利用基于標簽信息的樣本

4、間相似性學習哈希函數(shù),忽視了樣本間相似的多樣性,本文提出一種基于Coarse-to-Fine語義的監(jiān)督跨媒體哈希算法。首先,同時利用標簽信息和樣本的底層特征構造細粒度相似矩陣。然后,利用細粒度相似矩陣學習區(qū)分性更好的哈希函數(shù)。最后,在兩個公開數(shù)據(jù)上進行了實驗,與對比算法比較的實驗結果驗證了該算法的有效性。
  (4)針對不同模態(tài)與高層語義存在語義鴻溝不平衡的問題,本文提出一種基于語義對齊的離散監(jiān)督跨媒體哈希算法。首先,利用協(xié)同濾波

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論