基于哈希學習的跨媒體檢索關(guān)鍵技術(shù)研究及系統(tǒng)實現(xiàn).pdf

1、近年來，伴隨著科技的快速發(fā)展，各種媒體類型的數(shù)據(jù)有了海量式的增加，我們稱之為“大數(shù)據(jù)”。用戶對多媒體數(shù)據(jù)的檢索需求也變得多樣化，以往人們可以通過搜索引擎如百度、谷歌或必應等快速和便捷地檢索大量的多媒體數(shù)據(jù)（如文本，圖片，音頻和視頻），并拿來進行數(shù)字娛樂。但是我們發(fā)現(xiàn)，這種檢索方式比較單一化，它只能檢索某一種媒體類型的數(shù)據(jù)，比如文本只檢索文本，圖片只檢索圖片?，F(xiàn)如今，人們更多的關(guān)注于不同的媒體類型之間互相檢索，對多個媒體類型數(shù)據(jù)進行分析和

2、處理，可以更好地滿足我們的檢索需求，因此我們需要對傳統(tǒng)的檢索方式進行革新，跨媒體檢索正逐漸的走入我們的視線，并被相關(guān)人員開始廣泛的研究。
　　近似最近鄰(Approximate Nearest Neighbor,ANN)查找，也稱相似性查找即找出一個與查找文件最為相似的項出來，這個項稱為最近鄰域。通過研究發(fā)現(xiàn)，近似最近鄰查找非常適合于多媒體數(shù)據(jù)的檢索，它可以快速地檢索出我們想要的媒體類型數(shù)據(jù)。目前，基于哈希近似最近鄰檢索引起了廣泛

3、的關(guān)注，一方面哈希算法使用低維緊湊的二值碼來表示高維的特征數(shù)據(jù)，使得數(shù)據(jù)在存儲占用上存在一定的優(yōu)勢。另一方面，哈希的檢索方式對維度不敏感，使得相似性計算非?？欤欣诤Ａ棵襟w數(shù)據(jù)的檢索。
　　由于哈希技術(shù)具有低存儲開銷和快速檢索的優(yōu)勢，基于哈希的近似最近鄰檢索在多媒體數(shù)據(jù)的相似檢索中引起廣泛的關(guān)注。一般來說，現(xiàn)實應用中的大多數(shù)數(shù)據(jù)都帶有語義標簽信息，因此很多的監(jiān)督多模態(tài)哈希學習方法都借助了語義信息來提升檢索的準確度。這其中一些方法

4、使用相似度矩陣去學習哈希函數(shù)，然而這將會丟失一些維持原始數(shù)據(jù)的有用信息;有一些方法的哈希函數(shù)對噪聲缺乏魯棒性，易受樣本中噪聲的影響;還有的方法為了繞過離散優(yōu)化的障礙而將哈希碼進行松弛或者將哈希函數(shù)與哈希碼的學習變?yōu)閮蓚€獨立的過程，這都會使得哈希碼的質(zhì)量嚴重受損。考慮到以上缺陷，本文中設計了一個用于跨媒體檢索的多模態(tài)哈希學習方法，稱為監(jiān)督魯棒離散多模態(tài)哈希(Supervised Robust DiscreteMultimodal Hash

5、ing，SRDMH)。首先SRDMH使用傳統(tǒng)特征提取方法比如SIFT方法、GIST方法來抽取數(shù)據(jù)特征，學習過程中還加入了標簽信息;為了保證二值碼的質(zhì)量我們摒棄了以往的松弛二值碼的方式，而是同時學習哈希函數(shù)和二值碼;然后我們又引入了一種新穎的ζ2，p(0＜p≤2)范數(shù)去克服樣本中的噪聲，使得我們的哈希函數(shù)具有更好的魯棒性;此外，為了優(yōu)化的方便，我們借助對每個樣本的中間表示把一個復雜的優(yōu)化問題變成了兩個子優(yōu)化問題。最后我們在三個基準數(shù)據(jù)集上

6、進行了大量的實驗，實驗結(jié)果表明我們提出的多模態(tài)哈希方法優(yōu)于目前已提出用于跨媒體檢索的哈希方法，具有很好地學術(shù)參考價值。
　　我們還設計并實現(xiàn)了一個跨媒體檢索系統(tǒng)。該系統(tǒng)采用瀏覽器/服務器模式提供以文本檢索圖片和以圖片檢索文本兩個跨媒體檢索功能。系統(tǒng)的結(jié)構(gòu)主要包含頁面展示層、業(yè)務核心層和數(shù)據(jù)存儲層。該系統(tǒng)的核心部分采用我們提出的多模態(tài)哈?？蚣苓M行媒體信息的存儲和檢索，最終通過本系統(tǒng)展現(xiàn)了我們方法的有效性和高效性，并為實際的應用提供了