典型文献
标签松弛回归的跨模态哈希检索
文献摘要：
跨模态哈希检索方法因其检索效率高和有效已被广泛应用.大多数有监督哈希方法仅仅将标签信息转换为实例间的成对相似性却忽略了类别信息,这些方法不能使哈希码保留标签所反映的区分信息,从而影响了检索的准确性.为此,本文提出了 一种新颖的有监督跨模态标签松弛回归哈希(LRRH)方法.该方法通过语义相似度矩阵保留了实例间的成对相似性,同时应用标签的类别信息生成哈希码;并通过将标签矩阵松弛为标签松弛变量矩阵,扩大不同类别之间的边距,以标签松弛回归使哈希码能更好地保留标签的类别信息,也为哈希码拟合标签提供更大的自由度与优化空间,这使学习到的哈希码具备更高的语义相似性和类别判别力;另外,在哈希码学习过程,引入正交与均衡约束以生成更高质量的哈希码.本文方法在LabelMe、MIR-Flickr及NUS-WIDE这3个公开数据集上与近期跨模态哈希方法进行了实验比较,实验结果表明本文方法均取得最佳的MAP值,验证了本文方法的有效性.
文献关键词：
跨模态检索;哈希学习;有监督哈希;标签松弛回归
中图分类号：
作者姓名：
庄智钧;滕少华;张巍;滕璐瑶
作者机构：
广东工业大学计算机学院,广州510006;广州番禺职业技术学院信息工程学院,广州511400
文献出处：
引用格式：
[1]庄智钧;滕少华;张巍;滕璐瑶-.标签松弛回归的跨模态哈希检索)[J].小型微型计算机系统,2022(10):2096-2105
A类：
标签松弛回归,有监督哈希,LRRH,LabelMe
B类：
跨模态哈希检索,检索方法,法因,哈希方法,标签信息,信息转换,类别信息,哈希码,分信,语义相似度,相似度矩阵,松弛变量,边距,语义相似性,学习过程,交与,更高质量,MIR,Flickr,NUS,WIDE,公开数据集,MAP,跨模态检索,哈希学习
AB值：
0.249729
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。
