典型文献
基于特征增强的对抗哈希跨模态检索
文献摘要：
在跨模态检索任务中,哈希方法由于其检索效率高效、储存成本低廉而被广泛应用.但是,这些方法很少关注如何去弥补主体网络将高维特征转换为哈希码的过程中所丢失的特征信息.为解决这些问题,本文提出了一种特征增强对抗跨模态哈希(Feature Boosting Adversarial Hashing for Cross-Modal,FBAH)方法.FBA H方法将子空间学习与对抗学习相结合,来减少不同模态数据的差异性.另外,构造一种类残差模块,它可以将筛选出具有区别性的特征绕过主体网络直接输入到哈希空间进行特征增强.这样,生成的哈希码能够具有更多的原始特征信息.最后,通过带有分支网络的线性分类器在标签空间进行两种方式的预测,并最小化与真实标签的差距来保证语义的不变性.本文选择两个跨模态检索任务中常用的大型数据集进行大量实验,结果表明FBA H方法的性能优于目前7种较为先进的跨模态哈希方法.
文献关键词：
特征增强;跨模态检索;稀疏矩阵;哈希子空间学习;对抗学习
中图分类号：
作者姓名：
何沛;王萌;王卓;卢光云
作者机构：
广西科技大学理学院,广西柳州 545000;广西科技大学数字启迪学院,广西柳州 545000;柳州工学院,广西柳州545616
文献出处：
引用格式：
[1]何沛;王萌;王卓;卢光云-.基于特征增强的对抗哈希跨模态检索)[J].广西科学,2022(04):691-699
A类：
FBAH,哈希子空间学习
B类：
特征增强,跨模态检索,哈希方法,储存成本,高维特征,特征转换,哈希码,特征信息,跨模态哈希,Feature,Boosting,Adversarial,Hashing,Cross,Modal,对抗学习,残差模块,区别性,绕过,分支网,分类器,标签空间,两种方式,不变性,稀疏矩阵
AB值：
0.30945
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。
