Asymmetric Discrete Cross-Modal Hashing

Asymmetric Discrete Cross-Modal Hashing

2018 ICMR

XinLuo ShanDong University

要点:

1、利用集合矩阵分解找到不同模态的共享潜在语义空间,得到所有实例在潜在空间中的表示;构造学习过的表示和哈希码来近似语义相似度。
2、使用四步优化方案直接学习哈希码,而不是放松二进制约束,可以避免较大的量化误差问题。
3、采用两步哈希策略对训练集中以外的新样本学习哈希函数,使其具有灵活性。

概念提出:

先进的哈希算法可以分为对称的和非对称的两种。
对称的哈希算法:为数据库和查询集学习相同的哈希函数
非对称哈希算法:为数据库和查询集学习不同的哈希函数
跨模态哈希根据是否利用标签信息可以分为监督和非监督两种。
非监督跨模态哈希:通过对训练数据的模态内和模态间相似度建模,学习能将多模态特征转换为二进制代码的投影。
监督的跨模态哈希:利用可用的监督信息,如语义标签,来学习二进制代码和哈希函数。

CMH的难题:

1、如何构建异源多模态间的相关性
2、离散优化问题
3、大多数算法同时学习哈希码和哈希函数,使学习问题变得复杂和困难。而两步哈希算法只能对单峰数据进行研究,或者不能考虑不同模式之间的相互关系。

哈希码学习的目标函数:

共同潜在表征学习:
在这里插入图片描述
语义相似嵌入:
在这里插入图片描述
进一步表示哈希码与潜在表征的联系:
在这里插入图片描述
核化:X–>φ(X)

最终目标函数:
在这里插入图片描述
优化:循环迭代优化U、R、V、B(DCC)

哈希函数学习的目标函数(使用线性回归):

在这里插入图片描述

测评:

  • 数据集:
    在这里插入图片描述在这里插入图片描述

  • 特征:
    每个数据集都包含了图像和文本两种模态。

  • 对比算法:
    9种跨模态哈希算法:
    CVH ,IMH, SCM-seq, LSSH, CMFH, SePH-km, CCQ, FSH,SRSH

  • 测评指标:
    MAP、precision-recall、TopN-precision

  • 实验内容:
    1、在各个数据集上ADCH在测评指标上都显现出优越性
    2、ADCH的收敛性很好
    3、ADCH对参数λ不敏感
    4、ADCH训练时间很短

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值