發(fā)布時間：2024-04-06 19:07

　　隨著互聯(lián)網(wǎng)信息技術的發(fā)展,多媒體數(shù)據(jù)迅猛增長。針對海量的多媒體數(shù)據(jù),如何實現(xiàn)不同模態(tài)數(shù)據(jù)之間的快速檢索成為信息檢索領域一個具有挑戰(zhàn)性的問題�？缒B(tài)哈希(Cross-modal Hashing)方法和跨模態(tài)量化(Cross-modal Quantization)方法將異構的多模態(tài)數(shù)據(jù)投影到同構的編碼空間中,將高維的數(shù)據(jù)特征轉化成緊湊的二值編碼,具有檢索速度快和存儲空間小等優(yōu)勢,引起了研究人員廣泛的關注。此外,標簽信息(Label Information)是多模態(tài)數(shù)據(jù)的重要特征,通常用來構建不同模態(tài)間的語義關系。當前的跨模態(tài)方法大多在編碼空間中保存模態(tài)內(Intra-Modal)和模態(tài)間(Inter-Modal)的相似性,而忽略了編碼的判別性。本文結合標簽信息分別對跨模態(tài)哈希和跨模態(tài)量化開展了研究,主要內容如下:1.提出基于判別離散哈希的跨模態(tài)檢索算法。首先利用線性分類器,將哈希編碼看作標簽信息分類的結果,然后分別學習多模態(tài)數(shù)據(jù)從原始特征空間到編碼空間的線性映射作為哈希函數(shù)。在編碼的學習過程中,保留各模態(tài)原始特征的局部相似性,并使用Laplace矩陣來表示。最后,通過特定模態(tài)的哈希函數(shù)將不...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖２－１文本的語義主題和圖像的語義概念??Ｆｉｇ．２－１?Ｔｈｅ?ｓｅｍａｎｔｉｃ?ｔｏｐｉｃｓ?ｏｆ?ｔｅｘｔ?ａｎｄ?ｓｅｍａｎｔｉｃ?ｃｏｎｃｅｐｔｓ?ｏｆ?ｉｍａｇｅ??

／＝！??其中ａ，ａ，?／都是平衡參數(shù)，／？〇?＝?｜｜＿｜匕是正則化項。文本的語義主題和圖像??的語義概念如圖２－１所示（取自文獻ｆ２１ｐ。????Ｔｏｐｉｃ?Ｉ??Ｔｌｉｅ?ｌａｎｄｓｃａｐｅ?ｈｅｒｅ?－?ｉｈｃ?ｂｌｕｅ?ｓｋ＼．?ｔｈｅ?ｌｉｕｌｅ?（ｎａｔｕｒａｌ?ｌ....

圖２－２?ＣＣＱ的化過程??Ｆｉｇ．２－２?Ｔｈｅ?ｑｕａｎｔｉｚａｔｉｏｎ?ｐｒｏｃｅｓｓ?ｏｆ?ＣＣ〇??

ＣＣＱ采用笛卡爾Ｋ均值量化（Ｃａｒｔｅｓｉａｎ?Ｋ－ＭｅａｎｓＷ％通過學習旋轉矩陣兄＇??將多模態(tài)的數(shù)據(jù)從原始空間轉移到公共子空間。，旋轉矩陣??／ＴｅＲｈ＂５。ＣＣＱ認為同一對象在ｖ個模態(tài)下的特征盡管不相同，但是映射到公??共空間后應當可以用相同的碼本和編碼來量化，即Ｃ：＝Ｃ？....

圖２－３圖像和文本潛在語義的采集過程??Ｆｉｇ．２－３?Ｔｈｅ?ｃｏｌｌｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｌａｔｅｎｔ?ｓｅｍａｎｔｉｃｓ?ｏｎ?ｉｍａｇｅ?ａｎｄ?ｔｅｘｔ??Ｈ

：１，Ｕ０，１｝、??ｖ?＝?＼．．．Ｖｙ?ｍ?＝?＼．．．Ｍｙ?ｎ?＝?＼．．．Ｎ??其中人是每個投態(tài)的權ｌＲ參數(shù)，Ｚ？１’是旋轉矩陣。ＣＣＱ的原理如圖２－２?（収ｎ文??獻［２３］）所示。??Ｌａｔｅｎｔ?４?Ｉｓｏｍｏｒｐｈｉｃ?４?■??Ｉｍａｇｅ?４５ａ?Ｓｅｍａｎｔｉ....

圖３－１不同檢索任務下ＤＤＨ算法和對?

ＤＤＨ?０．６６３５?０．６６７７?０．６７７５?０．６７１６??進一步觀察圖３－１、圖３－２、圖３－３和圖３－４中的ＰＲ曲線和ｔｏｐ－Ｎ精確率曲??線發(fā)現(xiàn)，ＤＤＨ算法的表現(xiàn)在總體上要優(yōu)于對比算法，這與從表３－２和表３－３中得??到的結論是一致的。??２６??

本文編號：3947060