CN111026935B - 基于自适应度量融合的跨模态检索重排序方法 - Google Patents
基于自适应度量融合的跨模态检索重排序方法 Download PDFInfo
- Publication number
- CN111026935B CN111026935B CN201911231563.0A CN201911231563A CN111026935B CN 111026935 B CN111026935 B CN 111026935B CN 201911231563 A CN201911231563 A CN 201911231563A CN 111026935 B CN111026935 B CN 111026935B
- Authority
- CN
- China
- Prior art keywords
- initial
- sample
- cross
- modal
- retrieval result
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000004927 fusion Effects 0.000 title claims abstract description 64
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 27
- 238000005259 measurement Methods 0.000 title claims description 24
- 239000013598 vector Substances 0.000 claims abstract description 139
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 238000013139 quantization Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于信息检索、多模态计算领域,具体涉及一种基于自适应度量融合的跨模态检索重排序方法、系统、装置,旨在解决现有跨模态检索方法由于模态间异质性导致检索结果排序效果不佳的问题。本系统方法包括提取各初始查询样本、各初始检索结果样本的特征向量;计算两样本集的距离;获取初始检索结果序列及第一排序序号;通过反向检索,得到第二排序序号;基于第一、第二排序序号得到互相关分值;构建跨模态距离向量;构建单模态距离向量;获取量化间隔及第一评价分值;获取第二评价分值及融合系数;得到最终距离向量,对初始检索结果序列进行重排序;循环重排序。本发明能够一定程度缓解模态间的异质性,提升跨模态检索的效果及性能。
Description
技术领域
本发明属于信息检索、多模态计算领域,具体涉及一种基于自适应度量融合的跨模态检索重排序方法、系统、装置。
背景技术
近年来,随着互联网的发展,不同模态数据呈现爆炸式的增长,如何在海量的大数据中进行跨模态检索成为一个重要且具有挑战性的任务,引起了学术界和工业界极大的兴趣。在跨模态检索任务中,重排序方法是一个值得研究的方法,因为该类方法不需要人为干预,不需要额外标注数据,不需要重新训练,且可以应用在各种不同的初始检索序列上,进一步获得性能提升。但是其面临的困难是跨模态检索领域存在模态间的异质性,导致不同模态数据具有不同的特征空间,且两个相反的检索方向具有不同的分布特征,因此给精确有效的重排序方法带来了一定的困难。本文提出的基于自适应度量融合的跨模态检索重排序方法,能够一定程度缓解模态间的异质性(即不同模态的样本具有完全不同的特征空间和数据格式),实现较好的重排序。
发明内容
为了解决现有技术中的上述问题,即为了解决现有跨模态检索方法由于模态间异质性,导致的检索结果排序效果不佳的问题,本发明第一方面,提出了一种基于自适应度量融合的跨模态检索重排序方法,该方法包括:
步骤S10,获取初始查询样本集及其对应的初始检索结果样本集,分别提取各初始查询样本、各初始检索结果样本的特征向量;
步骤S20,基于预设的第一相似性度量准则M1,计算各初始查询样本的特征向量与各初始检索结果样本的特征向量的距离;
步骤S30,根据当前初始查询样本qi的特征向量与各初始检索结果样本的特征向量的距离由小到大对各初始检索结果样本进行排序,得到初始检索结果序列;选取该序列中前k个样本构建检索结果集合,并将该集合中的各样本gj在所述初始检索结果序列中的序号作为第一排序序号;
步骤S40,所述检索结果集合中每个样本根据其与各初始查询样本的特征向量的距离由小到大分别对所述初始查询样本集进行排序,并得到qi在排序后的初始查询样本集中的序号,将其作为第二排序序号;
步骤S50,基于所述第一、第二排序序号得到各检索结果样本的互相关分值,将所述互相关分值求和得到qi的互相关分值;
步骤S60,基于所述检索结果集合中各样本和qi的距离,构建跨模态距离向量;
步骤S70,基于所述检索结果集合中与qi距离最小的样本,计算该样本与检索结果集合中各样本的距离,构建单模态距离向量;
步骤S80,通过向量范数计算所述跨模态距离向量、所述单模态距离向量的量化间隔;并基于该量化间隔和qi的互相关分值,得到第一评价分值;
步骤S90,基于预设的第二相似性度量准则M2,执行步骤S20-S80得到第二评价分值;并根据所述第一、第二评价分值得到融合系数;
步骤S100,基于qi分别在M1及M2下与各初始检索结果样本的距离,通过所述融合系数进行加权平均,得到最终距离向量;通过所述最终距离向量,对所述初始检索结果序列进行重排序,得到qi对应的重排序后的检索结果序列;
步骤S110,若i小于所述初始查询样本集的样本数,令i=i+1,执行步骤S30,否则,输出重排序后的检索结果序列。
在一些优选的实施方式中,步骤S50中“基于所述第一、第二排序序号得到各检索结果样本的互相关分值”,其方法为:
在一些优选的实施方式中,步骤S80中“通过向量范数计算跨模态距离向量、单模态距离向量的量化间隔”,其方法为:
Gi M1=Norm(ci-ui)
其中,ci为跨模态距离向量,ui为单模态距离向量,Norm(·)为向量范数,Gi M1为量化间隔。
在一些优选的实施方式中,步骤S80中“基于该量化间隔和qi的互相关分值,得到第一评价分值”,其方法为:
Si M1=Ri M1/exp(Gi M1)
其中,Gi M1为量化间隔,Ri M1为当前初始查询样本的互相关分值,Si M1为第一评价分值。
在一些优选的实施方式中,步骤S90中“根据所述第一、第二评价分值得到融合系数”,其方法为:
在一些优选的实施方式中,步骤S100中“通过所述融合系数进行加权平均,得到最终距离向量”,其方法为:
本发明的第二方面,提出了一种基于自适应度量融合的跨模态检索重排序系统,该系统包括提取特征模块、计算距离模块、初始检索排序模块、反向检索排序模块、获取互相关分值模块、构建跨模态距离向量模块、构建单模态距离向量模块、计算量化间隔模块、获取融合系数模块、重排序模块、输出模块;
所述提取特征模块,配置为获取初始查询样本集及其对应的初始检索结果样本集,分别提取各初始查询样本、各初始检索结果样本的特征向量;
所述计算距离模块,配置为基于预设的第一相似性度量准则M1,计算各初始查询样本的特征向量与各初始检索结果样本的特征向量的距离;
所述初始检索排序模块,配置为根据当前初始查询样本qi的特征向量与各初始检索结果样本的特征向量的距离由小到大对各初始检索结果样本进行排序,得到初始检索结果序列;选取该序列中前k个样本构建检索结果集合,并将该集合中的各样本gj在所述初始检索结果序列中的序号作为第一排序序号;
所述反向检索排序模块,配置为所述检索结果集合中每个样本根据其与各初始查询样本的特征向量的距离由小到大分别对所述初始查询样本集进行排序,并得到qi在排序后的初始查询样本集中的序号,将其作为第二排序序号;
所述获取互相关分值模块,配置为基于所述第一、第二排序序号得到各检索结果样本的互相关分值,将所述互相关分值求和得到qi的互相关分值;
所述构建跨模态距离向量模块,配置为基于所述检索结果集合中各样本和qi的距离,构建跨模态距离向量;
所述构建单模态距离向量模块,配置为基于所述检索结果集合中与qi距离最小的样本,计算该样本与检索结果集合中各样本的距离,构建单模态距离向量;
所述计算量化间隔模块,配置为通过向量范数计算所述跨模态距离向量、所述单模态距离向量的量化间隔;并基于该量化间隔和qi的互相关分值,得到第一评价分值;
所述获取融合系数模块,配置为基于预设的第二相似性度量准则M2,执行计算距离模块-计算量化间隔模块得到第二评价分值;并根据所述第一、第二评价分值得到融合系数;
所述重排序模块,配置为基于qi分别在M1及M2下与各初始检索结果样本的距离,通过所述融合系数进行加权平均,得到最终距离向量;通过所述最终距离向量,对所述初始检索结果序列进行重排序,得到qi对应的重排序后的检索结果序列;
所述输出模块,配置为若i小于所述初始查询样本集的样本数,令i=i+1,执行初始检索排序模块,否则,输出重排序后的检索结果序列。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序应用由处理器加载并执行以实现上述的基于自适应度量融合的跨模态检索重排序方法。
本发明的第四方面,提出了一种处理装置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;所述程序适用于由处理器加载并执行以实现上述的基于自适应度量融合的跨模态检索重排序方法。
本发明的有益效果:
本发明能够一定程度缓解模态间的异质性,提升跨模态检索的效果及性能。本发明利用初始查询样本和相似性度量准则得到初始检索结果序列,而后进行反向检索,根据初始查询样本在反向检索结果序列中的位置,评价该度量准则对于跨模态检索中存在差异的两个相反检索方向的处理能力。进而,利用与初始查询样本最近的检索结果作为新的查询信息进行单模态查询,对比两次查询得到的检索结果序列的差异,将该差异量化,并据此来评价跨模态检索中的不同样本模态空间差异对度量造成的影响。综合以上两个方面,对某一度量在跨模态检索任务中的性能表现进行综合评价,得到评价分值,而后对多个不同度量的评价分值进行归一化,自适应得到最终的加权系数,对不同度量进行融合。最终,根据融合得到的最终度量,对初始检索结果序列进行局部重排序。
本发明不需要人工干预,不需要额外引入训练样本,不需要重新训练,可自适应的融合多个度量,可应用于不同的跨模态检索系统。对于跨模态检索任务中的关键困难,模态异质性,能够进行较好的处理,在极小代价的情况下进一步提升检索的性能,提高跨模态检索系统的准确率。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于自适应度量融合的跨模态检索重排序方法的流程示意图;
图2是本发明一种实施例的基于自适应度量融合的跨模态检索重排序系统的框架示意图;
图3是本发明一种实施例的自适应度量融合的处理过程的示例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于自适应度量融合的跨模态检索重排序方法,如图1所示,包括以下步骤:
步骤S10,获取初始查询样本集及其对应的初始检索结果样本集,分别提取各初始查询样本、各初始检索结果样本的特征向量;
步骤S20,基于预设的第一相似性度量准则M1,计算各初始查询样本的特征向量与各初始检索结果样本的特征向量的距离;
步骤S30,根据当前初始查询样本qi的特征向量与各初始检索结果样本的特征向量的距离由小到大对各初始检索结果样本进行排序,得到初始检索结果序列;选取该序列中前k个样本构建检索结果集合,并将该集合中的各样本gj在所述初始检索结果序列中的序号作为第一排序序号;
步骤S40,所述检索结果集合中每个样本根据其与各初始查询样本的特征向量的距离由小到大分别对所述初始查询样本集进行排序,并得到qi在排序后的初始查询样本集中的序号,将其作为第二排序序号;
步骤S50,基于所述第一、第二排序序号得到各检索结果样本的互相关分值,将所述互相关分值求和得到qi的互相关分值;
步骤S60,基于所述检索结果集合中各样本和qi的距离,构建跨模态距离向量;
步骤S70,基于所述检索结果集合中与qi距离最小的样本,计算该样本与检索结果集合中各样本的距离,构建单模态距离向量;
步骤S80,通过向量范数计算所述跨模态距离向量、所述单模态距离向量的量化间隔;并基于该量化间隔和qi的互相关分值,得到第一评价分值;
步骤S90,基于预设的第二相似性度量准则M2,执行步骤S20-S80得到第二评价分值;并根据所述第一、第二评价分值得到融合系数;
步骤S100,基于qi分别在M1及M2下与各初始检索结果样本的距离,通过所述融合系数进行加权平均,得到最终距离向量;通过所述最终距离向量,对所述初始检索结果序列进行重排序,得到qi对应的重排序后的检索结果序列;
步骤S110,若i小于所述初始查询样本集的样本数,令i=i+1,执行步骤S30,否则,输出重排序后的检索结果序列。
为了更清晰地对本发明基于自适应度量融合的跨模态检索重排序方法进行说明,下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
步骤S10,获取初始查询样本集及其对应的初始检索结果样本集,分别提取各初始查询样本、各初始检索结果样本的特征向量。
跨模态检索就是寻找不同模态样本之间的关系,实现利用某一种模态样本,搜索近似语义的其他模态样本。
本实施例中,优选一对跨模态数据作为样本进行重排序。一对跨模态数据包括初始查询样本集及其对应的初始检索结果样本集,分别提取初始查询样本集中各初始查询样本、初始检索结果样本集中各初始检索结果样本的特征向量。
步骤S20,基于预设的第一相似性度量准则M1,计算各初始查询样本的特征向量与各初始检索结果样本的特征向量的距离。
在本实施例中,优选两种相似性度量准则,分别记为M1和M2。在其他实施例中,相似性度量准则可以基于实际情况进行选择多个度量准则。如图3所示,基于不同度量下的相似度矩阵,经过自适应度量融合得到度量融合后的相似度矩阵。这里的度量指的是相似性度量,例如欧式距离等,由于本发明主要是探索跨模态下的检索重排序,在相似度矩阵下的数据为语句-图片。其中图3中的跨模态反向检索编码和查询替换间隔量化在下文中介绍。
步骤S30,根据当前初始查询样本qi的特征向量与各初始检索结果样本的特征向量的距离由小到大对各初始检索结果样本进行排序,得到初始检索结果序列;选取该序列中前k个样本构建检索结果集合,并将该集合中的各样本gj在所述初始检索结果序列中的序号作为第一排序序号。
在本实施例中,当前初始查询样本记为qi,对各初始检索结果样本,利用步骤S10中得到的距离由小到大进行排序,得到初始检索结果序列,记初始检索结果序列中前k个检索结果为gj,j=1,2,...,k,并构建检索结果集合,并将该集合中各样本在初始检索结果序列中的序号作为第一排序序号。
步骤S40,所述检索结果集合中每个样本根据其与各初始查询样本的特征向量的距离由小到大分别对所述初始查询样本集进行排序,并得到qi在排序后的初始查询样本集中的序号,将其作为第二排序序号。
在本实施例中,如图3所示,开始进行跨模态反向检索编码,利用初始检索结果序列中的各检索结果gj进行相反方向的检索,即检索结果集合中每个样本根据其与各初始查询样本的特征向量的距离由小到大分别对所述初始查询样本集进行排序,并得到所述当前初始查询样本在各排序后的初始查询样本集中的序号,将其作为第二排序序号。记为
步骤S50,基于所述第一、第二排序序号得到各检索结果样本的互相关分值,将所述互相关分值求和得到qi的互相关分值。
其中,参数α为增益系数。
对初始检索结果序列中前k个检索结果得到的Ri,j进行求和,得到与当前初始查询样本相关的互相关分值Ri M1=∑jRi,j,j=1,2,...,k。到此为止,模态反向检索编码方法完成。
步骤S60,基于所述检索结果集合中各样本和qi的距离,构建跨模态距离向量。
在本实施例中,如图3所示,开始进行查询替换间隔量化,根据步骤S20中选取的k个检索结果gj,j=1,2,...,k和当前初始查询样本qi之间的跨模态距离分别为ci,j,j=1,2,...,k,进而得到跨模态距离向量ci=[ci,2,ci,3,...,ci,k]。
步骤S70,基于所述检索结果集合中与qi距离最小的样本,计算该样本与检索结果集合中各样本的距离,构建单模态距离向量。
在本实施例中,计算检索结果集合中与当前初始查询样本最小距离的检索结果g1,与其他各检索结果gj,j=2,...,k的距离,即单模态距离,记为ui,j,j=2,...,k,进行而得到单模态距离向量ui=[ui,2,ui,3,...,ui,k]。
步骤S80,通过向量范数计算所述跨模态距离向量、所述单模态距离向量的量化间隔;并基于该量化间隔和qi的互相关分值,得到第一评价分值。
在本实施例中,计算跨模态距离向量ci=[ci,2,ci,3,...,ci,k]与单模态距离向量ui=[ui,2,ui,3,...,ui,k]之间的差异,并进行规范化,得到与当前初始查询样本相关的量化间隔Gi M1,其计算方法如公式(2)所示:
Gi M1=Norm(ci-ui) (2)
其中,Norm(·)表示向量范数,其方法可选择任意类型的向量范数进行实现。
基于所述量化间隔和所述当前初始查询样本互相关分值,得到第一评价分值,本实施例,提供整体融合和分别融合两种方法,具体如下:
方法一,整体融合:对上述跨模态反向检索编码方法及查询替换间隔量化方法进行整体融合,得到在度量准则M1下与初始查询样本qi相关的评价分值Si M1,其计算方法如公式(3)所示:
Si M1=Ri M1/exp(Gi M1) (3)
方法二,分别融合:对上述跨模态反向检索编码方法及查询替换间隔量化方法进行分别融合,得到在度量准则M1下与当前初始查询样本qi相关的评价分值。即跨模态反向检索编码方法评价分值(Si M1)′=Ri M1,以及查询替换间隔量化方法评价分值(Si M1)″=1/exp(Gi M1)。
步骤S90,基于预设的第二相似性度量准则M2,执行步骤S20-S80得到第二评价分值;并根据所述第一、第二评价分值得到融合系数。
基于预设的第二相似性度量准则M2,可推广到多个相似性度量准则,基于当前初始查询样本和各初始检索结果样本,重复上述步骤S20-步骤S80,得到在相似性度量准则M2下与当前初始查询样本qi相关的评价分值,并将其作为第二评价分值Si M2,其计算方法为:Si M2=Ri M2/exp(Gi M2)或跨模态反向检索编码方法评价分值(Si M2)′=Ri M2、查询替换间隔量化方法评价分值(Si M2)″=1/exp(Gi M2)。其中,Ri M2、Gi M2、(Si M2)′、(Si M2)″为在第二相似性度量准则下对应的值。
基于方法一,整体融合:根据第一评价分值和所述第二评价分值计算融合系数。计算方法如公式(4)所述:
其中,Wi M1为融合系数。
基于方法二,分别融合:分别基于跨模态反向检索编码方法评价分值和查询替换间隔量化方法评价分值得到对应的融合系数。
步骤S100,基于qi分别在M1及M2下与各初始检索结果样本的距离,通过所述融合系数进行加权平均,得到最终距离向量;通过所述最终距离向量,对所述初始检索结果序列进行重排序,得到qi对应的重排序后的检索结果序列。
本实施例中分别基于整体融合方法、分别融合方法得到最终距离向量。
其中,基于方法一,整体融合:计算方法如公式(5)所示:
基于最终距离向量,对于初始检索结果序列中的前若干个样本进行重排序,即可得到最终重排序后的检索结果序列。
基于方法二,分别融合,其处理过程如下:
基于得到的最终距离向量及可先后分两步对初始检索结果序列进行重排序,并在第二步重排序时缩小重排序的区间范围。例如先用对初始检索结果序列的前m个样本进行重排序,而后利用在第一步重排序之后得到的结果上,对β·m的区间再次进行重排序,其中参数β<1。具体例如根据初始排序序列的前5个样本(k=5)来评价M1和M2的表现,进而融合M1和M2得到最终距离度量。首先根据最终距离度量调整初始排序序列的前10个样本的顺序(m=10),而后在第一步重排序之后得到的结果上,利用对β·m的区间再次重排序,其中参数β<1。另外,可交换与的顺序,得到另外一种重排序步骤方式。
步骤S110,若i小于所述初始查询样本集的样本数,令i=i+1,执行步骤S30,否则,输出重排序后的检索结果序列。
本实施例中,依次对每个初始查询样本执行步骤S30-S100,即可完成整个检索重排序。
本发明第二实施例的一种基于自适应度量融合的跨模态检索重排序系统,如图2所示,包括:提取特征模块100、计算距离模块200、初始检索排序模块300、反向检索排序模块400、获取互相关分值模块500、构建跨模态距离向量模块600、构建单模态距离向量模块700、计算量化间隔模块800、获取融合系数模块900、重排序模块1000、输出模块1100;
所述提取特征模块100,配置为获取初始查询样本集及其对应的初始检索结果样本集,分别提取各初始查询样本、各初始检索结果样本的特征向量;
所述计算距离模块200,配置为基于预设的第一相似性度量准则M1,计算各初始查询样本的特征向量与各初始检索结果样本的特征向量的距离;
所述初始检索排序模块300,配置为根据当前初始查询样本qi的特征向量与各初始检索结果样本的特征向量的距离由小到大对各初始检索结果样本进行排序,得到初始检索结果序列;选取该序列中前k个样本构建检索结果集合,并将该集合中的各样本gj在所述初始检索结果序列中的序号作为第一排序序号;
所述反向检索排序模块400,配置为所述检索结果集合中每个样本根据其与各初始查询样本的特征向量的距离由小到大分别对所述初始查询样本集进行排序,并得到qi在排序后的初始查询样本集中的序号,将其作为第二排序序号;
所述获取互相关分值模块500,配置为基于所述第一、第二排序序号得到各检索结果样本的互相关分值,将所述互相关分值求和得到qi的互相关分值;
所述构建跨模态距离向量模块600,配置为基于所述检索结果集合中各样本和qi的距离,构建跨模态距离向量;
所述构建单模态距离向量模块700,配置为基于所述检索结果集合中与qi距离最小的样本,计算该样本与检索结果集合中各样本的距离,构建单模态距离向量;
所述计算量化间隔模块800,配置为通过向量范数计算所述跨模态距离向量、所述单模态距离向量的量化间隔;并基于该量化间隔和qi的互相关分值,得到第一评价分值;
所述获取融合系数模块900,配置为基于预设的第二相似性度量准则M2,执行计算距离模块200-计算量化间隔模块800得到第二评价分值;并根据所述第一、第二评价分值得到融合系数;
所述重排序模块1000,配置为基于qi分别在M1及M2下与各初始检索结果样本的距离,通过所述融合系数进行加权平均,得到最终距离向量;通过所述最终距离向量,对所述初始检索结果序列进行重排序,得到qi对应的重排序后的检索结果序列;
所述输出模块1100,配置为若i小于所述初始查询样本集的样本数,令i=i+1,执行初始检索排序模块300,否则,输出重排序后的检索结果序列。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的系统的具体的工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于自适应度量融合的跨模态检索重排序系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适用于由处理器加载并实现上述的基于自适应度量融合的跨模态检索重排序方法。
本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于自适应度量融合的跨模态检索重排序方法。
所述技术领域的技术人员可以清楚的了解到,未描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种基于自适应度量融合的跨模态检索重排序方法,其特征在于,该方法包括:
步骤S10,获取初始查询样本集及其对应的初始检索结果样本集,分别提取各初始查询样本、各初始检索结果样本的特征向量;
步骤S20,基于预设的第一相似性度量准则M1,计算各初始查询样本的特征向量与各初始检索结果样本的特征向量的距离;
步骤S30,根据当前初始查询样本qi的特征向量与各初始检索结果样本的特征向量的距离由小到大对各初始检索结果样本进行排序,得到初始检索结果序列;选取该序列中前k个样本构建检索结果集合,并将该集合中的各样本gj在所述初始检索结果序列中的序号作为第一排序序号;
步骤S40,所述检索结果集合中每个样本根据其与各初始查询样本的特征向量的距离由小到大分别对所述初始查询样本集进行排序,并得到qi在排序后的初始查询样本集中的序号,将其作为第二排序序号;
步骤S50,基于所述第一、第二排序序号得到各检索结果样本的互相关分值,将所述互相关分值求和得到qi的互相关分值;
步骤S60,基于所述检索结果集合中各样本和qi的距离,构建跨模态距离向量;
步骤S70,基于所述检索结果集合中与qi距离最小的样本,计算该样本与检索结果集合中各样本的距离,构建单模态距离向量;
步骤S80,通过向量范数计算所述跨模态距离向量、所述单模态距离向量的量化间隔;并基于该量化间隔和qi的互相关分值,得到第一评价分值;
步骤S90,基于预设的第二相似性度量准则M2,执行步骤S20-S80得到第二评价分值;并根据所述第一、第二评价分值得到融合系数;
步骤S100,基于qi分别在M1及M2下与各初始检索结果样本的距离,通过所述融合系数进行加权平均,得到最终距离向量;通过所述最终距离向量,对所述初始检索结果序列进行重排序,得到qi对应的重排序后的检索结果序列;
步骤S110,若i小于所述初始查询样本集的样本数,令i=i+1,执行步骤S30,否则,输出重排序后的检索结果序列。
3.根据权利要求1所述的基于自适应度量融合的跨模态检索重排序方法,其特征在于,步骤S80中“通过向量范数计算跨模态距离向量、单模态距离向量的量化间隔”,其方法为:
Gi M1=Norm(ci-ui)
其中,ci为跨模态距离向量,ui为单模态距离向量,Norm(·)为向量范数,Gi M1为量化间隔。
4.根据权利要求1所述的基于自适应度量融合的跨模态检索重排序方法,其特征在于,步骤S80中“基于该量化间隔和qi的互相关分值,得到第一评价分值”,其方法为:
Si M1=Ri M1/exp(Gi M1)
其中,Gi M1为量化间隔,Ri M1为当前初始查询样本的互相关分值,Si M1为第一评价分值。
7.一种基于自适应度量融合的跨模态检索重排序系统,其特征在于,该系统包括提取特征模块、计算距离模块、初始检索排序模块、反向检索排序模块、获取互相关分值模块、构建跨模态距离向量模块、构建单模态距离向量模块、计算量化间隔模块、获取融合系数模块、重排序模块、输出模块;
所述提取特征模块,配置为获取初始查询样本集及其对应的初始检索结果样本集,分别提取各初始查询样本、各初始检索结果样本的特征向量;
所述计算距离模块,配置为基于预设的第一相似性度量准则M1,计算各初始查询样本的特征向量与各初始检索结果样本的特征向量的距离;
所述初始检索排序模块,配置为根据当前初始查询样本qi的特征向量与各初始检索结果样本的特征向量的距离由小到大对各初始检索结果样本进行排序,得到初始检索结果序列;选取该序列中前k个样本构建检索结果集合,并将该集合中的各样本gj在所述初始检索结果序列中的序号作为第一排序序号;
所述反向检索排序模块,配置为所述检索结果集合中每个样本根据其与各初始查询样本的特征向量的距离由小到大分别对所述初始查询样本集进行排序,并得到qi在排序后的初始查询样本集中的序号,将其作为第二排序序号;
所述获取互相关分值模块,配置为基于所述第一、第二排序序号得到各检索结果样本的互相关分值,将所述互相关分值求和得到qi的互相关分值;
所述构建跨模态距离向量模块,配置为基于所述检索结果集合中各样本和qi的距离,构建跨模态距离向量;
所述构建单模态距离向量模块,配置为基于所述检索结果集合中与qi距离最小的样本,计算该样本与检索结果集合中各样本的距离,构建单模态距离向量;
所述计算量化间隔模块,配置为通过向量范数计算所述跨模态距离向量、所述单模态距离向量的量化间隔;并基于该量化间隔和qi的互相关分值,得到第一评价分值;
所述获取融合系数模块,配置为基于预设的第二相似性度量准则M2,执行计算距离模块-计算量化间隔模块得到第二评价分值;并根据所述第一、第二评价分值得到融合系数;
所述重排序模块,配置为基于qi分别在M1及M2下与各初始检索结果样本的距离,通过所述融合系数进行加权平均,得到最终距离向量;通过所述最终距离向量,对所述初始检索结果序列进行重排序,得到qi对应的重排序后的检索结果序列;
所述输出模块,配置为若i小于所述初始查询样本集的样本数,令i=i+1,执行初始检索排序模块,否则,输出重排序后的检索结果序列。
8.一种存储装置,其中存储有多条程序,其特征在于,所述程序应用由处理器加载并执行以实现权利要求1-6任一项所述的基于自适应度量融合的跨模态检索重排序方法。
9.一种处理装置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;其特征在于,所述程序适用于由处理器加载并执行以实现权利要求1-6任一项所述的基于自适应度量融合的跨模态检索重排序方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911231563.0A CN111026935B (zh) | 2019-12-05 | 2019-12-05 | 基于自适应度量融合的跨模态检索重排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911231563.0A CN111026935B (zh) | 2019-12-05 | 2019-12-05 | 基于自适应度量融合的跨模态检索重排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111026935A CN111026935A (zh) | 2020-04-17 |
CN111026935B true CN111026935B (zh) | 2023-03-21 |
Family
ID=70208032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911231563.0A Active CN111026935B (zh) | 2019-12-05 | 2019-12-05 | 基于自适应度量融合的跨模态检索重排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111026935B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066539A (zh) * | 2021-03-22 | 2021-07-02 | 上海商汤智能科技有限公司 | 预测方法及相关装置、设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020303A (zh) * | 2012-12-31 | 2013-04-03 | 中国科学院自动化研究所 | 基于互联网跨媒体地标的历史事件提取及相关图片的搜索方法 |
CN106886601A (zh) * | 2017-03-02 | 2017-06-23 | 大连理工大学 | 一种基于子空间混合超图学习的交叉模态检索算法 |
CN108536780A (zh) * | 2018-03-29 | 2018-09-14 | 清华大学 | 一种基于触觉纹理特征的跨模态物体材质检索方法 |
CN108595636A (zh) * | 2018-04-25 | 2018-09-28 | 复旦大学 | 基于深度跨模态相关性学习的手绘草图的图像检索方法 |
CN109255047A (zh) * | 2018-07-18 | 2019-01-22 | 西安电子科技大学 | 基于互补语义对齐和对称检索的图像-文本互检索方法 |
CN110457516A (zh) * | 2019-08-12 | 2019-11-15 | 桂林电子科技大学 | 一种跨模态图文检索方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9280587B2 (en) * | 2013-03-15 | 2016-03-08 | Xerox Corporation | Mailbox search engine using query multi-modal expansion and community-based smoothing |
-
2019
- 2019-12-05 CN CN201911231563.0A patent/CN111026935B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020303A (zh) * | 2012-12-31 | 2013-04-03 | 中国科学院自动化研究所 | 基于互联网跨媒体地标的历史事件提取及相关图片的搜索方法 |
CN106886601A (zh) * | 2017-03-02 | 2017-06-23 | 大连理工大学 | 一种基于子空间混合超图学习的交叉模态检索算法 |
CN108536780A (zh) * | 2018-03-29 | 2018-09-14 | 清华大学 | 一种基于触觉纹理特征的跨模态物体材质检索方法 |
CN108595636A (zh) * | 2018-04-25 | 2018-09-28 | 复旦大学 | 基于深度跨模态相关性学习的手绘草图的图像检索方法 |
CN109255047A (zh) * | 2018-07-18 | 2019-01-22 | 西安电子科技大学 | 基于互补语义对齐和对称检索的图像-文本互检索方法 |
CN110457516A (zh) * | 2019-08-12 | 2019-11-15 | 桂林电子科技大学 | 一种跨模态图文检索方法 |
Non-Patent Citations (5)
Title |
---|
Devraj Mandal等.Query specific re-ranking for improved cross-modal retrieval.2017,第98卷第110-116页. * |
Jose Costa Pereira等.on the role of correlation and abstraction in cross-modal multimedia retrieval.2013,第36卷第521-535页. * |
张龙涛.基于社交感知的跨模态检索研究.2018,(第11期),第I138-582页. * |
王开业.跨模态数据分析与应用研究.2015,全文. * |
郑重.媒体检索中近邻关系可逆性问题的研究.2014,(第06期),第I138-1073页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111026935A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6862579B2 (ja) | 画像特徴の取得 | |
EP2284791B1 (en) | Method of creating three-dimensional object identifying image database, processing apparatus and processing program | |
CN113360701B (zh) | 一种基于知识蒸馏的素描图处理方法及其系统 | |
CN111444363B (zh) | 一种图片检索方法、装置、终端设备及存储介质 | |
EP3382574A1 (en) | Method and device for finding nearest neighbors | |
CN107590505B (zh) | 联合低秩表示和稀疏回归的学习方法 | |
CN111601380B (zh) | 基于位置指纹的位置定位方法、装置、设备及存储介质 | |
CN110704659A (zh) | 图像列表的排序方法和装置、存储介质及电子装置 | |
CN111026935B (zh) | 基于自适应度量融合的跨模态检索重排序方法 | |
JP2004030694A (ja) | デジタル映像テクスチャー分析方法 | |
CN113536020A (zh) | 数据查询的方法、存储介质和计算机程序产品 | |
CN111048145B (zh) | 蛋白质预测模型的生成方法、装置、设备和存储介质 | |
CN112182264A (zh) | 地标信息的确定方法、装置、设备及可读存储介质 | |
CN108170664B (zh) | 基于重点关键词的关键词拓展方法和装置 | |
JP5435566B2 (ja) | 画像検索装置、画像検索方法及び画像検索プログラム | |
JP2011248680A (ja) | 画像処理システム | |
CN110032933B (zh) | 一种图像数据的获取方法、装置、终端及存储介质 | |
CN111091865B (zh) | MoRFs预测模型的生成方法、装置、设备和存储介质 | |
CN111009287B (zh) | SLiMs预测模型的生成方法、装置、设备和存储介质 | |
CN111539536B (zh) | 一种评估业务模型超参数的方法和装置 | |
CN113420214B (zh) | 一种电子交易对象推荐方法和装置及设备 | |
CN112907306B (zh) | 一种客户满意度判别方法及装置 | |
CN117993956B (zh) | 一种基于目标客户及市场数据处理方法 | |
CN111859004B (zh) | 检索图像的获取方法、装置、设备及可读存储介质 | |
CN106649606B (zh) | 优化搜索结果的方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |