典型文献
基于多模态图和对抗哈希注意力网络的跨媒体细粒度表示学习
文献摘要：
跨媒体数据搜索中不同媒体类型的数据间存在特征异构和语义鸿沟问题,且社交网络数据往往呈现语义稀疏性、多样性等特性.针对上述问题,文中提出基于多模态图和对抗哈希注意力网络的跨媒体细粒度表示学习模型,获取统一的跨媒体语义表示,应用于社交网络跨媒体搜索.首先,构建图像-单词关联图,并基于图随机游走策略挖掘图像和文本单词间直接语义关联和隐含语义关联,实现语义关系扩展.然后,构建基于跨媒体协同注意力机制的跨媒体细粒度特征学习网络,通过互相指导的跨媒体注意力机制协同学习图像和文本的细粒度语义关联.最后,构建跨媒体对抗哈希网络,联合跨媒体细粒度语义关联学习和对抗哈希学习,获取高效紧凑的跨媒体统一哈希语义表示.实验表明,文中模型在两个公开标准跨媒体数据集上均取得较优的跨媒体搜索性能.
文献关键词：
跨媒体表示学习;对抗哈希注意力网络;细粒度表示学习;跨媒体协同注意力机制;跨媒体搜索
中图分类号：
作者姓名：
梁美玉;王笑笑;杜军平
作者机构：
北京邮电大学 计算机学院(国家示范性软件学院) 智能通信软件与多媒体北京市重点实验室 北京100876
文献出处：
引用格式：
[1]梁美玉;王笑笑;杜军平-.基于多模态图和对抗哈希注意力网络的跨媒体细粒度表示学习)[J].模式识别与人工智能,2022(03):195-206
A类：
对抗哈希注意力网络,细粒度表示学习,跨媒体搜索,跨媒体协同注意力机制,跨媒体表示学习
B类：
媒体数据,媒体类型,存在特征,语义鸿沟,社交网络数据,语义稀疏,稀疏性,建图,单词,关联图,随机游走策略,语义关联,联和,语义关系,细粒度特征,特征学习,学习网络,机制协同,协同学习,细粒度语义,关联学习,哈希学习,紧凑,体统,公开标准,搜索性能
AB值：
0.200617
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。
