CN110110100A - 基于协同矩阵分解的离散监督跨媒体哈希检索方法 - Google Patents
基于协同矩阵分解的离散监督跨媒体哈希检索方法 Download PDFInfo
- Publication number
- CN110110100A CN110110100A CN201910375983.XA CN201910375983A CN110110100A CN 110110100 A CN110110100 A CN 110110100A CN 201910375983 A CN201910375983 A CN 201910375983A CN 110110100 A CN110110100 A CN 110110100A
- Authority
- CN
- China
- Prior art keywords
- sample
- indicate
- hash
- matrix
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 title claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000001419 dependent effect Effects 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/432—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于协同矩阵分解的离散监督跨媒体哈希检索方法,包括以下步骤:1)建立跨媒体检索数据库,并将样本对划分为训练集和测试集;2)提取训练集和测试集中所有样本对的特征,并进行去均值;3)分别利用协同矩阵分解和语义嵌入把样本的特征和类别标签投影到低维特征空间和哈希码,并学习一个正交旋转矩阵构建低维特征和哈希码的语义关联,同时为各模态学习哈希函数;5)利用学习的哈希函数生成测试样本的哈希码;6)把训练集中的样本作为待检索样本,把测试集中样本作为查询样本,计算查询样本与待检索样本的汉明距离;7)按汉明距离降序排列,返回前r个异构样本作为检索结果。本发明不仅可实现跨媒体检索,而且训练过程占用资源少、准确率高,具有广阔的应用前景。
Description
技术领域
本发明涉及多媒体检索和人工智能领域,尤其是一种基于协同矩阵分解的离散监督跨媒体哈希检索方法。
背景技术
随着网络上数据量的快速增长,如何在大规模数据中检索语义相似的样本成为一个挑战。一方面,由于过高的时间复杂度和存储开销,使传统的最近邻检索方法很难直接应用于大规模数据。另一方面,网络上样本的媒体类型呈现多样性,如何实现跨越媒体类型间的鸿沟实现异构样本间相似性的度量成为一个挑战。跨媒体哈希将异构样本的高维特征映射到一个共享低维汉明空间,实现异构样本的相似性的度量,由于其高效性和有效性得到了研究者的广泛关注。
跨媒体哈希根据在训练过程是否利用样本的类别标签,分为无监督和监督跨媒体哈希方法。无监督跨媒体哈希方法一般利用保持样本基于特征的相似性为各类型媒体学习哈希函数。然而,底层特征的语义表征能力有限,造成哈希码的质量不高,通常无监督方法难以取得令人满意检索的性能。监督跨媒体哈希方法利用样本的类别标签提升哈希码的表征能力,获得了更好检索性能。
大部分监督跨媒体哈希方法首先构造一个两两样本间相似矩阵,然后利用此矩阵
学习哈希码。但是此类方法存在以下两个问题:1)利用标签构造两两样本间相似矩阵会造
成类别信息的丢失;2)两两样本间相似矩阵的尺寸为的,然而在大规模应用中,的
值非常大,因此会带来过高的内存开销和计算复杂度,使其失去扩展能力。另一方面,对于
哈希算法而言,如何在哈希码中更好的保持样本的语义相似性是一个关键问题。大多数现
有方法只保持基于类别标签的语义相似性学习哈希码,然而由于异构样本间语义关联非常
复杂,许多含有相同类别标签的异构样本很难映射成相似的汉明的码。另外由于哈希码的
离散约束造成哈希方法的目标函数难以直接求解。针对以上问题,本发明方法提出一种基
于协同矩阵分解的离散监督跨媒体检索方法。具体而言,首先分别利用协同矩阵分解和语
义嵌入把样本的特征和类别标签投影到一个低维共享特征空间和哈希码。然后学习一个正
交旋转矩阵构建低维特征和哈希码的语义关联,因此在哈希码中即保持了基于样本特征的
相似性又保持了基于样本类别标签的一致性,提升了哈希码的表征能力。最后,本发明提出
一种快速优化方法,使其内存开销和计算复杂度为。
发明内容
本发明的目的是克服现有技术缺陷,提供一种基于协同矩阵分解的离散跨媒体哈希检索方法,其特征在于,该方法包括以下步骤:
步骤S1,收集图像和文本样本并对其进行类别标注,生成跨模态检索数据集,并将所有样本对按一定比例划分为训练集和测试集;
步骤S2,提取数据集中所有图像和文本样本的特征,并对其进行去均值;
步骤S3,利用训练集中的图像、文本样本的特征及其类别标签构建目标函数,表示
所有训练样本的特征,其中,表示所有训练图像样
本的特征,其中为图像特征的维度,为图像和文本样本对的数量,表示所有训练文本样本的特征,其中为文本特征的维
度;表示样本对的类标签,其中为所有类别的数量,
如果第个样本属于第类,则;反之,;具体包括以下步骤:
步骤S31,由于异构样本间的语义关联非常复杂,因此首先利用协同矩阵分解,保持样本的模态间相似性学习一个共享子空间,此过程的目标函数定义为:
其中表示Frobenius范数,为映射矩阵,表示共享
子空间,表示子空间的维度,为图像和文本模态的权重参数,表示正则项的权重参
数;
步骤S32,通过学习一个潜在语义映射矩阵,构建样本标签与哈希码间的语义关联,此过程的目标函数定义为:
其中表示潜在语义矩阵,为构建样本标签与哈希码间语义关联项的权重
参数,表示训练样本的哈希码;
步骤S33,利用正交旋转矩阵构建低维特征和训练样本哈希码的语义关联,此过程的目标函数定义为:
其中表示正交旋转矩阵,表示单位矩阵,为正交旋转矩阵学习的权重参
数;
步骤S34,利用线性映射作为哈希函数,此过程的目标函数定义为:
其中,表示图像和文本模态的哈希函数,表示图像和文本
模态哈希函数学习的权重参数;
步骤S35,将共享子空间学习、构建标签与哈希码间的语义关联、正交旋转矩阵学习和哈希函数学习的目标函数相加即为本方法的目标函数,定义如下:
其中表示正则项,;
步骤S4,由于目标函数不仅含有八个未知变量,而且哈希码是离散的,因此目标函数的求解是NP-HARD问题,但当固定七个变量求解某一变量时,问题变为凸优化问题,因此可利用迭代优化算法进行求解,求解过程包括以下八个步骤:
步骤S41,固定其余变量,求解:
丢弃常数项,问题转换为:
对求偏导,并使它等于0,可得
因此:
步骤S42,固定其余变量,求解:
与求解类似,可得:
步骤S43,固定其他变量,求解
丢弃常数项,并对求偏导,并使它等于0可得:
因此
步骤S44,固定其他变量,求解:
与求解类似,可得:
步骤S45,固定其他变量,求解:
这个子问题是典型的正交普鲁克问题,可以由奇异值分解(Singular Value
Decomposition,SVD)方法直接求解;具体而言,首先对进行奇异值分解,可表示为,则;
步骤S46,固定其他变量,求解:
去除常数项,问题转换为:
上式可转换为:
因为和为常数,因此存在一个离散闭合解:
步骤S47,固定其他变量,求解:
与求解类似,可得:
步骤S48,固定其他变量,求解:
与求解类似,可得:
步骤S49,重复执行步骤S41-步骤S49至算法收敛或迭代次数达到最大值;
步骤S5,把训练集和测试集分别作为待检索样本集和查询集,利用相应模态的哈希函数直接得到查询样本的哈希码;
步骤 S6,计算查询样本与待检索样本集中异构样本的汉明距离;
步骤 S7,按汉明距离升序排序,并返回前r个样本作为检索结果。
本发明不仅可实现跨媒体检索,而且训练过程占用资源少、准确率高,适合大规模数据的检索,具有广阔的应用前景。
附图说明
图1 是本发明基于协同矩阵分解的离散监督跨媒体检索方法的流程图。
具体实施方式
如图1所示,本发明公开了一种基于协同矩阵分解的离散监督跨媒体检索方法,包括以下步骤:
基于协同矩阵分解的离散跨媒体哈希检索方法,其特征在于,该方法包括以下步骤:
步骤S1,收集图像和文本样本并对其进行类别标注,生成跨模态检索数据集,根据实际需求划分训练集和测试集,例如随机选择99%的样本对构成训练集,其余的构成测试集;
步骤S2,提取数据集中所有利用图像和文本样本的特征,例如利用CaffeNet提取图像的CNN特征,利用BOW算法提出文本特征,并对其进行去均值;
步骤S3,利用训练集中的图像、文本样本的特征及其类别标签构建目标函数,表示
所有训练样本的特征,其中,表示所有训练图像样
本的特征,其中为图像特征的维度,为图像和文本样本对的数量,表示所有训练文本样本的特征,其中为文本特征的维
度;表示样本对的类标签,其中为所有类别的数量,
如果第个样本属于第类,则;反之,;具体包括以下步骤:
步骤S31,由于异构样本间的语义关联非常复杂,因此首先利用协同矩阵分解,保持样本的模态间相似性学习一个共享子空间,此过程的目标函数定义为:
其中表示Frobenius范数,为映射矩阵,表示共享
子空间,设定参数为哈希码码长(例如)、、和;
步骤S32,通过学习一个潜在语义映射矩阵,构建样本标签与哈希码间的语义关联,此过程的目标函数定义为:
其中表示潜在语义矩阵 表示训练样本的哈希码,;
步骤S33,利用正交旋转矩阵构建低维特征和训练样本哈希码的语义关联,此过程的目标函数定义为:
其中表示正交旋转矩阵,表示单位矩阵,;
步骤S34,利用线性映射作为哈希函数,此过程的目标函数定义为:
其中,表示图像和文本模态的哈希函数, ;
步骤S35,将共享子空间学习、构建标签与哈希码间的语义关联、正交旋转矩阵学习和哈希函数学习的目标函数相加即为本方法的目标函数,定义如下:
其中表示正则项,;
步骤S4,由于目标函数不仅含有八个未知变量,而且哈希码是离散的,因此目标函数的求解是NP-HARD问题,但当固定七个变量求解某一变量时,问题变为凸优化问题,因此可利用迭代优化算法进行求解,求解过程包括以下八个步骤:
步骤S41,固定其余变量,求解:
丢弃常数项,问题转换为:
对求偏导,并使它等于0,可得
因此:
步骤S42,固定其余变量,求解:
与求解类似,可得:
步骤S43,固定其他变量,求解
丢弃常数项,并对求偏导,并使它等于0可得:
因此
步骤S44,固定其他变量,求解:
与求解类似,可得:
步骤S45,固定其他变量,求解:
这个子问题是典型的正交普鲁克问题,可以由奇异值分解(Singular Value
Decomposition,SVD)方法直接求解;具体而言,首先对进行奇异值分解,可表示为,则;
步骤S46,固定其他变量,求解:
去除常数项,问题转换为:
上式可转换为:
因为和为常数,因此存在一个离散闭合解:
步骤S47,固定其他变量,求解:
与求解类似,可得:
步骤S48,固定其他变量,求解:
与求解类似,可得:
步骤S49,重复执行步骤S41-步骤S49至算法收敛或迭代次数达到最大值;
步骤S5,把训练集和测试集分别作为待检索样本集和查询集,利用相应模态的哈希函数直接得到查询样本的哈希码;
步骤 S6,计算查询样本与待检索样本集中异构样本的汉明距离;
步骤 S7,按汉明距离升序排序,并返回前r个样本作为检索结果。
本发明不仅可实现跨媒体检索,而且训练过程占用资源少、准确率高,适合大规模数据的检索,具有广阔的应用前景。
实施例
本实施例以公开数据集NUS-WIDE为例,该数据集含有269648张图片、文本样本对,所有样本对分布在81个类别。为了使每类有足够的样本训练,选取样本最多的21类,因此保留了196776个图像、文本样本对。数据集中的图像和文本样本分别用CaffeNet和BOW(BagOf Words)算法提取其4096维的CNN特征和1000维BOW特征,并对特征去均值。随机选择99%的样本对构成训练集,剩余的1%的样本对构成测试集。为了客观地评价本发明方法的性能,用平均准确率MPA@100作为评价标准,MPA@100表示MAP是由前100个返回的样本计算得到的。在此数据集上,MAP@100结果如表1所示,其中k表示哈希码的长度。
表 1 在NUS-WIDE数据集上的MAP@100结果
k=8 | k=16 | k=24 | k=32 | |
图像检索文本 | 0.5168 | 0.5892 | 0.5925 | 0.5977 |
文本检索图像 | 0.8536 | 0.9059 | 0.9163 | 0.9217 |
Claims (1)
1.一种基于协同矩阵分解的离散跨媒体哈希检索方法,其特征在于,该方法包括以下步骤:
步骤S1,收集图像和文本样本并对其进行类别标注,生成跨模态检索数据集,并将所有样本对按一定比例划分为训练集和测试集;
步骤S2,提取数据集中所有图像和文本样本的特征,并对其进行去均值;
步骤S3,利用训练集中的图像、文本样本的特征及其类别标签构建目标函数,表示所
有训练样本的特征,其中,表示所有训练图像样本
的特征,其中为图像特征的维度,为图像和文本样本对的数量,表示所有训练文本样本的特征,其中为文本特征的维
度;表示样本对的类标签,其中为所有类别的数量,
如果第个样本属于第类,则;反之,;具体包括以下步骤:
步骤S31,由于异构样本间的语义关联非常复杂,因此首先利用协同矩阵分解,保持样本的模态间相似性学习一个共享子空间,此过程的目标函数定义为:
其中表示Frobenius范数,为映射矩阵,表示共享
子空间,表示子空间的维度,为图像和文本模态的权重参数,表示正则项的权重参
数;
步骤S32,通过学习一个潜在语义映射矩阵,构建样本标签与哈希码间的语义关联,此过程的目标函数定义为:
其中表示潜在语义矩阵,为构建样本标签与哈希码间语义关联项的权重
参数,表示训练样本的哈希码;
步骤S33,利用正交旋转矩阵构建低维特征和训练样本哈希码的语义关联,此过程的目标函数定义为:
其中表示正交旋转矩阵,表示单位矩阵,为正交旋转矩阵学习的权重参
数;
步骤S34,利用线性映射作为哈希函数,此过程的目标函数定义为:
其中,表示图像和文本模态的哈希函数,表示图像和文本
模态哈希函数学习的权重参数;
步骤S35,将共享子空间学习、构建标签与哈希码间的语义关联、正交旋转矩阵学习和哈希函数学习的目标函数相加即为本方法的目标函数,定义如下:
其中表示正则项,;
步骤S4,由于目标函数不仅含有八个未知变量,而且哈希码是离散的,因此目标函数的求解是NP-HARD问题,但当固定七个变量求解某一变量时,问题变为凸优化问题,因此可利用迭代优化算法进行求解,求解过程包括以下八个步骤:
步骤S41,固定其余变量,求解:
丢弃常数项,问题转换为:
对求偏导,并使它等于0,可得
因此:
步骤S42,固定其余变量,求解:
与求解类似,可得:
步骤S43,固定其他变量,求解
丢弃常数项,并对求偏导,并使它等于0可得:
因此
步骤S44,固定其他变量,求解:
与求解类似,可得:
步骤S45,固定其他变量,求解:
这个子问题是典型的正交普鲁克问题,可以由奇异值分解(Singular Value
Decomposition,SVD)方法直接求解;具体而言,首先对进行奇异值分解,可表示为,则;
步骤S46,固定其他变量,求解:
去除常数项,问题转换为:
上式可转换为:
因为和为常数,因此存在一个离散闭合解:
步骤S47,固定其他变量,求解:
与求解类似,可得:
步骤S48,固定其他变量,求解:
与求解类似,可得:
步骤S49,重复执行步骤S41-步骤S49至算法收敛或迭代次数达到最大值;
步骤S5,把训练集和测试集分别作为待检索样本集和查询集,利用相应模态的哈希函数直接得到查询样本的哈希码;
步骤 S6,计算查询样本与待检索样本集中异构样本的汉明距离;
步骤 S7,按汉明距离升序排序,并返回前r个样本作为检索结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375983.XA CN110110100A (zh) | 2019-05-07 | 2019-05-07 | 基于协同矩阵分解的离散监督跨媒体哈希检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375983.XA CN110110100A (zh) | 2019-05-07 | 2019-05-07 | 基于协同矩阵分解的离散监督跨媒体哈希检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110100A true CN110110100A (zh) | 2019-08-09 |
Family
ID=67488533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910375983.XA Pending CN110110100A (zh) | 2019-05-07 | 2019-05-07 | 基于协同矩阵分解的离散监督跨媒体哈希检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110100A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674323A (zh) * | 2019-09-02 | 2020-01-10 | 山东师范大学 | 基于虚拟标签回归的无监督跨模态哈希检索方法及系统 |
CN111090765A (zh) * | 2019-11-25 | 2020-05-01 | 山东师范大学 | 一种基于缺失多模态哈希的社交图像检索方法及系统 |
CN111259176A (zh) * | 2020-01-16 | 2020-06-09 | 合肥工业大学 | 融合有监督信息的基于矩阵分解的跨模态哈希检索方法 |
CN112182273A (zh) * | 2020-09-25 | 2021-01-05 | 贵州师范大学 | 基于语义约束矩阵分解哈希的跨模态检索方法及其系统 |
CN112214623A (zh) * | 2020-09-09 | 2021-01-12 | 鲁东大学 | 一种面向图文样本的高效监督图嵌入跨媒体哈希检索方法 |
CN112925934A (zh) * | 2021-01-20 | 2021-06-08 | 同济大学 | 基于哈希编码的相似图像检索方法、系统、设备及介质 |
CN113407661A (zh) * | 2021-08-18 | 2021-09-17 | 鲁东大学 | 基于鲁棒矩阵分解的离散哈希检索方法 |
CN113961727A (zh) * | 2021-09-13 | 2022-01-21 | 哈尔滨工业大学(深圳) | 一种跨媒体哈希检索方法、装置、终端及存储介质 |
CN114186084A (zh) * | 2021-12-14 | 2022-03-15 | 山东大学 | 在线多模态哈希检索方法、系统、存储介质及设备 |
CN114281950A (zh) * | 2022-03-07 | 2022-04-05 | 山东建筑大学 | 基于多图加权融合的数据检索方法与系统 |
CN115374165A (zh) * | 2022-10-24 | 2022-11-22 | 山东建筑大学 | 基于三重矩阵分解的数据检索方法、系统及设备 |
CN116089731A (zh) * | 2023-04-10 | 2023-05-09 | 山东大学 | 一种缓解灾难性遗忘的在线哈希检索方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256271A (zh) * | 2017-06-27 | 2017-10-17 | 鲁东大学 | 基于映射字典学习的跨模态哈希检索方法 |
CN107729513A (zh) * | 2017-10-25 | 2018-02-23 | 鲁东大学 | 基于语义对齐的离散监督跨模态哈希检索方法 |
CN108595688A (zh) * | 2018-05-08 | 2018-09-28 | 鲁东大学 | 基于在线学习的潜在语义跨媒体哈希检索方法 |
-
2019
- 2019-05-07 CN CN201910375983.XA patent/CN110110100A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256271A (zh) * | 2017-06-27 | 2017-10-17 | 鲁东大学 | 基于映射字典学习的跨模态哈希检索方法 |
CN107729513A (zh) * | 2017-10-25 | 2018-02-23 | 鲁东大学 | 基于语义对齐的离散监督跨模态哈希检索方法 |
CN108595688A (zh) * | 2018-05-08 | 2018-09-28 | 鲁东大学 | 基于在线学习的潜在语义跨媒体哈希检索方法 |
Non-Patent Citations (1)
Title |
---|
TAO YAO ET AL: "Efficient Discrete Supervised Hashing for Large-scale Cross-modal Retrieval" * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674323A (zh) * | 2019-09-02 | 2020-01-10 | 山东师范大学 | 基于虚拟标签回归的无监督跨模态哈希检索方法及系统 |
CN111090765A (zh) * | 2019-11-25 | 2020-05-01 | 山东师范大学 | 一种基于缺失多模态哈希的社交图像检索方法及系统 |
CN111090765B (zh) * | 2019-11-25 | 2020-09-29 | 山东师范大学 | 一种基于缺失多模态哈希的社交图像检索方法及系统 |
CN111259176A (zh) * | 2020-01-16 | 2020-06-09 | 合肥工业大学 | 融合有监督信息的基于矩阵分解的跨模态哈希检索方法 |
CN112214623A (zh) * | 2020-09-09 | 2021-01-12 | 鲁东大学 | 一种面向图文样本的高效监督图嵌入跨媒体哈希检索方法 |
CN112182273A (zh) * | 2020-09-25 | 2021-01-05 | 贵州师范大学 | 基于语义约束矩阵分解哈希的跨模态检索方法及其系统 |
CN112182273B (zh) * | 2020-09-25 | 2024-03-01 | 贵州师范大学 | 基于语义约束矩阵分解哈希的跨模态检索方法及其系统 |
CN112925934B (zh) * | 2021-01-20 | 2022-09-23 | 同济大学 | 基于哈希编码的相似图像检索方法、系统、设备及介质 |
CN112925934A (zh) * | 2021-01-20 | 2021-06-08 | 同济大学 | 基于哈希编码的相似图像检索方法、系统、设备及介质 |
CN113407661B (zh) * | 2021-08-18 | 2021-11-26 | 鲁东大学 | 基于鲁棒矩阵分解的离散哈希检索方法 |
CN113407661A (zh) * | 2021-08-18 | 2021-09-17 | 鲁东大学 | 基于鲁棒矩阵分解的离散哈希检索方法 |
CN113961727A (zh) * | 2021-09-13 | 2022-01-21 | 哈尔滨工业大学(深圳) | 一种跨媒体哈希检索方法、装置、终端及存储介质 |
CN114186084A (zh) * | 2021-12-14 | 2022-03-15 | 山东大学 | 在线多模态哈希检索方法、系统、存储介质及设备 |
CN114186084B (zh) * | 2021-12-14 | 2022-08-26 | 山东大学 | 在线多模态哈希检索方法、系统、存储介质及设备 |
CN114281950A (zh) * | 2022-03-07 | 2022-04-05 | 山东建筑大学 | 基于多图加权融合的数据检索方法与系统 |
CN114281950B (zh) * | 2022-03-07 | 2022-05-06 | 山东建筑大学 | 基于多图加权融合的数据检索方法与系统 |
CN115374165A (zh) * | 2022-10-24 | 2022-11-22 | 山东建筑大学 | 基于三重矩阵分解的数据检索方法、系统及设备 |
CN116089731A (zh) * | 2023-04-10 | 2023-05-09 | 山东大学 | 一种缓解灾难性遗忘的在线哈希检索方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110100A (zh) | 基于协同矩阵分解的离散监督跨媒体哈希检索方法 | |
Mandal et al. | Generalized semantic preserving hashing for n-label cross-modal retrieval | |
Yang et al. | Network representation learning with rich text information. | |
Wang et al. | Community preserving network embedding | |
Sener et al. | Learning transferrable representations for unsupervised domain adaptation | |
CN107402993B (zh) | 基于判别性关联最大化哈希的跨模态检索方法 | |
Crain et al. | Dimensionality reduction and topic modeling: From latent semantic indexing to latent dirichlet allocation and beyond | |
CN112819023B (zh) | 样本集的获取方法、装置、计算机设备和存储介质 | |
CN104834693A (zh) | 基于深度搜索的视觉图像检索方法及系统 | |
CN110647904A (zh) | 一种基于无标记数据迁移的跨模态检索方法及系统 | |
CN109784405A (zh) | 基于伪标签学习和语义一致性的跨模态检索方法及系统 | |
CN108388639B (zh) | 一种基于子空间学习与半监督正则化的跨媒体检索方法 | |
CN110598022B (zh) | 一种基于鲁棒深度哈希网络的图像检索系统与方法 | |
CN106601235A (zh) | 一种半监督多任务特征选择的语音识别方法 | |
Huang et al. | Learning social image embedding with deep multimodal attention networks | |
Zhang et al. | Modeling the Homophily Effect between Links and Communities for Overlapping Community Detection. | |
Yang et al. | Towards efficient selection of activity trajectories based on diversity and coverage | |
CN112766400A (zh) | 高维数据基于多个数据变换空间的半监督分类集成方法 | |
CN109857892B (zh) | 基于类标传递的半监督跨模态哈希检索方法 | |
CN111428502A (zh) | 一种面向军事语料的命名实体标注方法 | |
CN114491071A (zh) | 一种基于跨媒体数据的食品安全知识图谱构建方法及系统 | |
Li et al. | User-curated image collections: Modeling and recommendation | |
CN107885854A (zh) | 一种基于特征选择和虚拟数据生成的半监督跨媒体检索方法 | |
Ye et al. | Incorporating user's preference into attributed graph clustering | |
CN116578708A (zh) | 一种基于图神经网络的论文数据姓名消歧算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190809 |
|
WD01 | Invention patent application deemed withdrawn after publication |