典型文献
深度联合语义跨模态哈希算法
文献摘要：
哈希检索具有存储消耗低、查询速度快等优点,被广泛应用于跨模态检索研究,其中基于深度学习的跨模态哈希方法是热点研究问题.大多数深度哈希方法通常在多模态数据的特征关联性学习过程中忽略了数据内容的潜在相关性和语义判别性,从而导致哈希码的关联性不强,容易造成原始数据特征和神经网络特征的不兼容问题.针对以上问题,本文提出一种图像-文本深度联合语义哈希算法(Deep Joint-Semantic Hashing,DJSH).该方法使用两个神经网络分别提取图像和文本的细粒度特征,并为每个模态网络设计了哈希层和标签层,分别用于特征学习和标签预测.一方面,通过特征学习模块进行跨模态数据的深度特征学习,提出能够增强数据内容相似度和平衡数据分布的联合语义特征损失,同时基于拉普拉斯约束的图近邻结构能够保留原始数据的相似度排序;另一方面,通过引入标签预测和标签对齐技术,将有判别力的标签信息融入到图像与文本的跨模态网络学习中,确保哈希码的每一位具有不同类别的判别信息.在MIRFLICKR25K、NUS-WIDE和IAPR-TC12三个基准数据集上的实验结果表明,该模型较近年来先进的跨模态检索模型,具有更好的检索效果.
文献关键词：
跨模态检索;哈希学习;深度神经网络;细粒度特征;标签对齐;联合语义
中图分类号：
作者姓名：
熊威;王展青;王晓雨
作者机构：
武汉理工大学理学院,武汉430070
文献出处：
引用格式：
[1]熊威;王展青;王晓雨-.深度联合语义跨模态哈希算法)[J].小型微型计算机系统,2022(03):589-597
A类：
DJSH,MIRFLICKR25K,IAPR
B类：
联合语义,跨模态哈希,哈希算法,哈希检索,索具,跨模态检索,哈希方法,热点研究,研究问题,深度哈希,多模态数据,特征关联,学习过程,数据内容,判别性,哈希码,原始数据,数据特征,网络特征,兼容问题,文本深度,Deep,Joint,Semantic,Hashing,细粒度特征,网络设计,学习模块,跨模态数据,深度特征学习,内容相似度,数据分布,语义特征,特征损失,拉普拉斯,近邻,标签对齐,标签信息,网络学习,每一位,NUS,WIDE,TC12,基准数据集,检索模型,哈希学习,深度神经网络
AB值：
0.385864
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
