qq_42014059的博客

论文链接：IEEE Xplore Full-Text PDF:摘要多模态哈希因其效率和有效性而引起了对大规模多媒体数据集的跨模态相似性搜索的极大兴趣。最近，有监督的多模态散列试图保留从训练数据的标签中获得的语​​义信息，与无监督的多模态哈希相比，由于其更高的搜索精度而受到了相当大的关注。尽管这些算法很有前景，但它们主要是为了保持成对相似性而设计的。当给定训练数据的语义标签时，算法往往将标签转化为成对相似度，这会产生以下问题：（1）构建成对相似度矩阵需要巨大的存储空间和大量的...

摘要：基于散列的最近邻搜索方法在计算机视觉和信息检索社区中有效和高效的大规模相似性搜索引起了相当大的关注。在本文中，我们研究了在跨视图相似性搜索的多模态数据上下文中学习哈希函数的问题。我们提出了一种新颖的散列方法，称为集体矩阵分解散列（CMFH）。 CMFH通过集体矩阵分解和潜在因子模型从一个实例的不同模态中学习统一的哈希码，不仅可以支持跨视图搜索，还可以通过合并多个视图信息源来提高搜索精度。我们还证明了CMFH，一种保持相似性的散列学习方法，具有上限和下限。大量实验证实，CMFH 在三个不同的数据..

描述了一种用于自动索引和检索的新方法。该方法是利用术语与文档关联中的隐式高阶结构（“语义结构”），以便根据查询中找到的术语改进相关文档的检测。使用的特定技术是奇异值分解，其中一个大词按文档矩阵分解为一组 ca。 100 个正交因子，从中可以通过线性组合来近似原始矩阵。文档由 ca 表示。 100 个因子权重的项目向量。查询表示为由术语的加权组合形成的伪文档向量，并返回具有超阈值余弦值的文档。初步测试发现这种完全自动化的检索方法很有前景。

论文链接：摘要：鉴于其低存储要求和高检索效率的好处，散列最近受到越来越多的关注。特别是，跨模态散列已被广泛并成功地用于多媒体相似性搜索应用中。然而，几乎所有现有的跨模态哈希方法都无法获得强大的哈希码，因为它们忽略了包含更丰富语义信息的异构数据之间的相对相似性，导致检索性能不理想。在本文中，我们提出了一种基于三元组的深度哈希 (TDH) 网络，用于跨模态检索。首先，我们利用三元组标签，将三个实例之间的相对关系描述为监督，以便捕获跨模态实例之间更一般的语义相关性。然后，我...

论文下载：BATCH: A Scalable Asymmetric Discrete Cross-Modal Hashing | IEEE Journals & Magazine | IEEE Xplore摘要:有监督的跨模态散列引起了很多关注。然而，仍然存在一些挑战，例如，如何有效地将标签信息嵌入到二进制代码中，如何避免使用大的相似度矩阵并使模型可扩展到大规模数据集，如何有效地解决二进制优化问题。为了应对这些挑战，在本文中，我们提出了一种新的有监督的跨模态散列方法...