刘兴波¹,聂秀山²,尹义龙¹

¹(山东大学软件学院 济南 250101);²(山东建筑大学计算机科学与技术学院 济南 250101) (sclxb@mail.sdu.edu.cn)

出版日期: 2020-08-01


基金资助:国家自然科学基金项目(61671274,61876098,61701280,61573219)；国家重点研发计划项目(2018YFC0830100，2018YFC0830102)；中国博士后科学基金项目(2016M592190)；山东建筑大学杰出教授特别基金项目

Mutual Linear Regression Based Supervised Discrete Cross-Modal Hashing

Liu Xingbo¹, Nie Xiushan², Yin Yilong¹

¹(School of Software, Shandong University, Jinan 250101);²(School of Computer Science and Technology, Shandong Jianzhu University, Jinan 250101)

Online: 2020-08-01


Supported by:This work was supported by the National Natural Science Foundation of China (61671274, 61876098, 61701280, 61573219), the National Key Research and Developinent Program of China (2018YFC0830100, 2018YFC0830102), the China Postdoctoral Science Foundation (2016M592190), and the Special Funds for Distinguished Professors of Shandong Jianzhu University.

摘要/Abstract

摘要： 跨模态散列可以将异构的多模态数据映射为语义相似度保持的紧凑二值码，为跨模态检索提供了极大的便利.现有的跨模态散列方法在利用类别标签时，通常使用2个不同的映射来表示散列码和类别标签之间的关系.为更好地捕捉散列码和语义标签之间的关系，提出一种基于双向线性回归的监督离散型跨模态散列方法.该方法仅使用一个稳定的映射矩阵来描述散列码与相应标签之间线性回归关系，提升了跨模态散列学习精度和稳定性.此外，该方法在学习用于生成新样本散列码的模态特定映射时，充分考虑了异构模态的特征分布与语义相似度的保持.在2个公开数据集上与现有方法的实验结果验证了该方法在各种跨模态检索场景下的优越性.

参考文献

相关文章 1

[1]	贺周雨, 冯旭鹏, 刘利军, 黄青松. 面向大规模图像检索的深度强相关散列学习方法[J]. 计算机研究与发展, 2020, 57(11): 2375-2388.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4239