| 耦合保持投影哈希跨模态检索 |
| |
| 引用本文： | 闵康凌,张国宾,王磊,李丹萍.耦合保持投影哈希跨模态检索[J].中国图象图形学报,2021,26(7):1558-1567. |
| |
| 作者姓名： | 闵康凌 张国宾 王磊 李丹萍 |
| |
| 作者单位： | 西安电子科技大学电子工程学院, 西安 710071;上海交通大学海洋智能装备与系统教育部重点实验室, 上海 200240;中国电子科技集团公司第27研究所, 郑州 450047;西安电子科技大学通信工程学院, 西安 710071 |
| |
| 基金项目： | 国家重点研发计划项目（2016YFE0207000）；国家自然科学基金项目（61203137，61401328）；陕西省自然科学基础研究计划项目（2014JQ8306，2015JM6279） |
| |
| 摘 要： | 目的 基于哈希的跨模态检索方法因其检索速度快、消耗存储空间小等优势受到了广泛关注。但是由于这类算法大都将不同模态数据直接映射至共同的汉明空间，因此难以克服不同模态数据的特征表示及特征维度的较大差异性，也很难在汉明空间中同时保持原有数据的结构信息。针对上述问题，本文提出了耦合保持投影哈希跨模态检索算法。方法 为了解决跨模态数据间的异构性，先将不同模态的数据投影至各自子空间来减少模态“鸿沟”，并在子空间学习中引入图模型来保持数据间的结构一致性；为了构建不同模态之间的语义关联，再将子空间特征映射至汉明空间以得到一致的哈希码；最后引入类标约束来提升哈希码的判别性。结果 实验在3个数据集上与主流的方法进行了比较，在Wikipedia数据集中，相比于性能第2的算法，在任务图像检索文本（I to T）和任务文本检索图像（T to I）上的平均检索精度（mean average precision，mAP）值分别提升了6%和3%左右；在MIRFlickr数据集中，相比于性能第2的算法，优势分别为2%和5%左右；在Pascal Sentence数据集中，优势分别为10%和7%左右。结论 本文方法可适用于两个模态数据之间的相互检索任务，由于引入了耦合投影和图模型模块，有效提升了跨模态检索的精度。
|
| 关 键 词： | 跨模态检索 哈希 结构保持 图模型 耦合投影 子空间学习 |
| 收稿时间： | 2020/8/28 0:00:00 |
| 修稿时间： | 2021/2/2 0:00:00 |
Structure-preserving hashing with coupled projections for cross-modal retrieval |
| |
| Min Kangling,Zhang Guobin,Wang Lei,Li Danping.Structure-preserving hashing with coupled projections for cross-modal retrieval[J].Journal of Image and Graphics,2021,26(7):1558-1567. |
| |
| Authors: | Min Kangling Zhang Guobin Wang Lei Li Danping |
| |
| Affiliation: | School of Electronic Engineering, Xidian University, Xi''an 710071, China;Key Laboratory of Marine Intelligent Equipment and System of Ministry of Education, Shanghai Jiao Tong University, Shanghai 200240, China;The 27th Research Institute, China Electronics Technology Group Corporation, Zhengzhou 450047, China; School of Telecommunications Engineering, Xidian University, Xi''an 710071, China |
| |
| Abstract: | |
| |
| Keywords: | cross-modal retrieval hashing structure-preserving graph model coupled projections subspace learning |
|
| 点击此处可从《中国图象图形学报》浏览原始摘要信息 |
|
点击此处可从《中国图象图形学报》下载免费的PDF全文 |
|
