近年來,因特網(wǎng)的發(fā)展和社交媒體的興起使得多媒體數(shù)據(jù)規(guī)模增長迅速同時數(shù)據(jù)種類也不斷增加。給定某個模態(tài)的查詢,跨模態(tài)檢索希望返回的是與其相似的另一個模態(tài)的樣本,比如利用文本來檢索相關(guān)的圖片或視頻。哈希方法憑借其檢索速度快、存儲開銷小的優(yōu)勢在大規(guī)模數(shù)據(jù)檢索領(lǐng)域引起了相當(dāng)多的關(guān)注。很多基于哈希學(xué)習(xí)的跨模態(tài)檢索方法被提出并取得了一定的檢索效果,然而這些方法可能仍有一些限制。首先,大部分哈希檢索方法直接采用線性映射來將不同模態(tài)的數(shù)據(jù)映射到公共的漢明空間中。哈希方法的目的是相似性保持,由于異構(gòu)數(shù)據(jù)的復(fù)雜性,線性映射難以保持原始空間中的相似性,導(dǎo)致此類方法存在巨大的誤差。其次,大多數(shù)監(jiān)督跨模態(tài)哈希方法構(gòu)建相似性矩陣的規(guī)則是:如果兩個實例有至少一個相同的標(biāo)簽則視為相似。然而這種定義方式過于簡單且丟失了很多有用的監(jiān)督信息。最后,大多數(shù)哈希方法在優(yōu)化的時候選擇松弛或者舍棄離散限制來解決一個連續(xù)優(yōu)化問題,再將實值解量化成二進(jìn)制碼,這會導(dǎo)致巨大的量化誤差。目前已有一些論文提出采用離散優(yōu)化策略,但這些方法通常僅適用于單模態(tài)。為了克服這些限制,本文提出了一個新穎的跨模態(tài)哈希方法,稱作基于字典學(xué)習(xí)的監(jiān)督離散哈希(Dictionary Learning based Supervised Discrete Hashing,簡寫為DLSDH)。DLSDH是兩步哈希方法,分為哈希碼學(xué)習(xí)過程和哈希函數(shù)學(xué)習(xí)過程。DLSDH構(gòu)造的成對相似性矩陣和離散迭代優(yōu)化策略使得哈希碼學(xué)習(xí)過程學(xué)得更高質(zhì)量的哈希碼。在哈希函數(shù)學(xué)習(xí)階段,DLSDH首先為每個實例生成稀疏表示,再映射到低維漢明空間中。本文提出的方法其主要貢獻(xiàn)有:·提出了一種基于字典學(xué)習(xí)的監(jiān)督跨模態(tài)哈希方法,首先為每一個模態(tài)學(xué)習(xí)一個字典并為每一個實例生成稀疏表示,相比于復(fù)雜的原始特征稀疏表示更適合映射到低維隱空間中,解決了相似的實例在低維隱空間中難以接近的問題�！榱顺浞掷迷紭�(biāo)簽信息,DLSDH使用余弦相似度來計算成對的相似性,新構(gòu)建的相似性矩陣能更好地監(jiān)督哈希碼學(xué)習(xí)過程�！LSDH采用列采樣策略來解決離散優(yōu)化問題,避免了量化帶來的誤差。同時,DLSDH在訓(xùn)練時使用的是整個數(shù)據(jù)集而不是采樣數(shù)據(jù),保證了哈希函數(shù)的泛化性能。·通過在三個數(shù)據(jù)集上與先進(jìn)跨模態(tài)哈希方法進(jìn)行對比實驗,證明DLSDH的檢索性能優(yōu)于或者媲美先進(jìn)對比方法。同時,實驗證明了余弦相似性矩陣的有效性。
【學(xué)位單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP311.13;TP18
【部分圖文】：

?—ＣＶＨ?Ｉ?Ｉ?Ｉ?—４—ＣＶＨ??〇２４?－???１?－?＿?＿?—如ＩＭＨ??１?１??１???＊?ＳＣＭ－ｏｒｔｈ?〇？?Ｉ?了?ＳＣＭ－ｏｒｔｈ??〇２２??ｉ??ｊ．?—?＿?－－ＳＣＭ－ｓｅｑ?．?“?，?ｉ?ＳＣＭ－ｓｅｑ??＜?ｒ－＊－＊＊＾＊＾＊＾！?１?？￣４?一?ＣＭＦＨ?〇．ｆｌ｜?￣??１?＋——ＣＭＦＨ??〇１〇?＾＾＾＾?＾ｏｏ?〇１〇?＾?＾５?丄??Ｎ?Ｎ??圖４．１?Ｗｉｋｉ數(shù)據(jù)集哈希碼為３２位情況下Ｔｏｐ－Ｎ?ｐｒｅｃｉｓｉｏｎ曲線??４．２實驗結(jié)果與分析??４．２．１?Ｗｉｋｉ數(shù)據(jù)集上的結(jié)果與分析??本小節(jié)在Ｗｉｋｉ數(shù)據(jù)集上根據(jù)上述對比方法和評價標(biāo)準(zhǔn)進(jìn)行對比實驗。對比??方法和本文提出的ＤＬＳＤＨ在評價標(biāo)準(zhǔn)ＭＡＰ上的結(jié)果展示在表格４．１中。為了??進(jìn)一步展示ＤＬＳＤＨ和對比方法的效果，圖４．１?－圖４．４中分別畫出３２位和６４位??的?Ｔｏｐ－Ｎ?ｐｒｅｃｉｓｉｏｎ?和?Ｐｒｅｃｉｓｉｏｎ－Ｐｅｃａｌｌ?曲線。從表?４．１?和圖?４．１?－?４．４?可以觀察到：??？在Ｉｍａｇｅ－ｔｏ－Ｔｅｘｔ任務(wù)上，在哈希碼長度為８位和１６位時僅ＳＲＤＭＨ的ＭＡＰ??值優(yōu)于ＤＬＳＤＨ，?ＤＬＳＤＨ在哈希碼長度為３２位和６４位時取得最好的ＭＡＰ??值。也就是說隨著哈希碼長度增加，ＤＬＳＤＨ的ＭＡＰ值增加的更加顯著，??這說明更長的哈希碼可以捕獲更多有用的信息。??？在Ｔｅｘｔ－ｔｏ－Ｉｍａｇｅ任務(wù)上，哈希碼長度從８位到６４位，ＤＬＳＤＨ的ＭＡＰ值都??優(yōu)于其他對比方法。??？在兩個檢索任務(wù)上，ＤＬＳＤＨ的

?」?＿?！??０．２４?？?Ｊ?－?－?＇ｒ?－?ＳＣＭ￣ｏｒｔｈ?？?０．７丨言?ｔ?＿?ＳＣＭ－ｏｒｔｈ??＇?１Ｌ?Ｔｔ?，?ＳＣＭ￣ｓｅｑ?Ｊ?＊一－Ａ一－，?一▲巉，ＳＣＭ－ｓｅｑ??０?２２?－?－?－▲?ｉ－?——ａ．?－?－??？－?ＣＭＦＨ?〇．〇［??１—?…？一?ＣＭＦＨ??｜?．?＾：ＣＣＱＭＨ?Ｉ?＼?＿?＿?＾：ＣＣＱＭＨ?．??〇，０??Ｍ?５＾?＾?０．２?丄?Ｌ?＂?〇＇８?＊?＾??Ｒｅｃａｌｌ?Ｒｅｃａｌｌ??圖４．２?Ｗｉｋｉ數(shù)據(jù)集哈希碼為３２位情況下Ｐｒｅｃｉｓｉｏｎ－Ｒｅｃａｌｌ曲線??Ｉｍａｇｅ－ｔｏ－Ｔｅｘｔ?＠?６４?ｂｉｔｓ?Ｔｅｘｔ－Ｔｏ－ｌｍａｇｅ?＠?６４?ｂｉｔｓ??０．２６１?ｉ－?１?１??■?ｉ?－?Ｉ?０．８１?１?１?１??ｖ?－?Ｉ??ｉ?｜?—？—ＣＶＨ?ｉ?ｉ?ｉ?—ＣＶＨ??０．２４?ｉｆＣ：?－??＇?－１?？－ＩＭＨ?１?１?１?—ＩＭＨ??｜?；?－？－ＳＣＭ－ｏｒｔｈ?０Ｊ］?丨丨?了一－ＳＣＭ－ｏｒｔｆｉ?■??０－２２?－?ａ，?￣?Ｔ＾ｎ＾Ｖ?－?｜???—?—？？？?ＳＣＭ－ｓｅｑ?？?１?ｉ?ＳＣＭ－ｓｅｑ??－４－ＣＭＦＨ?－Ｉ???？—ＣＭＦＨ??０．２?－?－?Ｈ?－?－★－ＬＳＳＨ?＇?－Ａ—ＬＳＳＨ??§?°－１８?＿／■―ｉｔｌｓＲＤＭＨ?｜?＂?＇?－＾－ＳＲＤＭＨ??ｏ?＾＾８?—？－ＳｅＰＨ－ｋｎｎ?〇?�。。�?，?ＳｅＰＨ－ｋｍ??２?°－１６ｉｒ???—？＾ＤＬＳＤＨ?ｉｔ?２?〇．４?

?」?＿?！??０．２４?？?Ｊ?－?－?＇ｒ?－?ＳＣＭ￣ｏｒｔｈ?？?０．７丨言?ｔ?＿?ＳＣＭ－ｏｒｔｈ??＇?１Ｌ?Ｔｔ?，?ＳＣＭ￣ｓｅｑ?Ｊ?＊一－Ａ一－，?一▲巉，ＳＣＭ－ｓｅｑ??０?２２?－?－?－▲?ｉ－?——ａ．?－?－??？－?ＣＭＦＨ?〇．〇［??１—?…？一?ＣＭＦＨ??｜?．?＾：ＣＣＱＭＨ?Ｉ?＼?＿?＿?＾：ＣＣＱＭＨ?．??〇，０??Ｍ?５＾?＾?０．２?丄?Ｌ?＂?〇＇８?＊?＾??Ｒｅｃａｌｌ?Ｒｅｃａｌｌ??圖４．２?Ｗｉｋｉ數(shù)據(jù)集哈希碼為３２位情況下Ｐｒｅｃｉｓｉｏｎ－Ｒｅｃａｌｌ曲線??Ｉｍａｇｅ－ｔｏ－Ｔｅｘｔ?＠?６４?ｂｉｔｓ?Ｔｅｘｔ－Ｔｏ－ｌｍａｇｅ?＠?６４?ｂｉｔｓ??０．２６１?ｉ－?１?１??■?ｉ?－?Ｉ?０．８１?１?１?１??ｖ?－?Ｉ??ｉ?｜?—？—ＣＶＨ?ｉ?ｉ?ｉ?—ＣＶＨ??０．２４?ｉｆＣ：?－??＇?－１?？－ＩＭＨ?１?１?１?—ＩＭＨ??｜?；?－？－ＳＣＭ－ｏｒｔｈ?０Ｊ］?丨丨?了一－ＳＣＭ－ｏｒｔｆｉ?■??０－２２?－?ａ，?￣?Ｔ＾ｎ＾Ｖ?－?｜???—?—？？？?ＳＣＭ－ｓｅｑ?？?１?ｉ?ＳＣＭ－ｓｅｑ??－４－ＣＭＦＨ?－Ｉ???？—ＣＭＦＨ??０．２?－?－?Ｈ?－?－★－ＬＳＳＨ?＇?－Ａ—ＬＳＳＨ??§?°－１８?＿／■―ｉｔｌｓＲＤＭＨ?｜?＂?＇?－＾－ＳＲＤＭＨ??ｏ?＾＾８?—？－ＳｅＰＨ－ｋｎｎ?〇?�。。�?，?ＳｅＰＨ－ｋｍ??２?°－１６ｉｒ???—？＾ＤＬＳＤＨ?ｉｔ?２?〇．４?
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 朱治蘭;荊曉遠(yuǎn);董西偉;吳飛;;有監(jiān)督鑒別哈�？缒B(tài)檢索[J];計算機應(yīng)用與軟件;2019年04期

2 蔣大宏;動態(tài)哈希方法[J];計算機工程;1993年01期

3 金漢均;吳靜;;基于深度柯西哈希的圖像檢索研究[J];電子測量技術(shù);2020年09期

4 魯明;宋馥莉;;基于誤差加權(quán)哈希的圖像檢索方法[J];河南科技;2016年17期

5 林計文;劉華文;鄭忠龍;;面向圖像檢索的深度漢明嵌入哈希[J];模式識別與人工智能;2020年06期

6 宋欣;;哈希:品質(zhì)承諾鑄就品牌基石[J];現(xiàn)代企業(yè)文化;2012年Z1期

7 蔣大宏;實現(xiàn)檢索代價最優(yōu)的動態(tài)哈希法[J];計算機工程與應(yīng)用;1994年Z2期

8 郁延珍;;基于深度多監(jiān)督哈希的快速圖像檢索[J];計算機應(yīng)用與軟件;2019年11期

9 孫瑤;;深度學(xué)習(xí)哈希研究與發(fā)展[J];數(shù)據(jù)通信;2018年02期

10 潘輝;鄭剛;胡曉惠;馬恒太;;基于感知哈希的圖像內(nèi)容鑒別性能分析[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2012年07期

相關(guān)博士學(xué)位論文 前10條

1 馬雷;面向大規(guī)模圖像哈希學(xué)習(xí)的理論與方法研究[D];電子科技大學(xué);2019年

2 王家樂;基于哈希學(xué)習(xí)的跨模態(tài)檢索與標(biāo)注方法研究[D];華中科技大學(xué);2017年

3 馬超;語義鑒別和相似性保持的哈希方法研究與應(yīng)用[D];南京理工大學(xué);2017年

4 季劍秋;面向大規(guī)模數(shù)據(jù)相似計算和搜索的哈希方法研究[D];清華大學(xué);2015年

5 付海燕;基于圖像哈希的大規(guī)模圖像檢索方法研究[D];大連理工大學(xué);2014年

6 劉兆慶;圖像感知哈希若干關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2013年

7 姚濤;基于哈希方法的跨媒體檢索研究[D];大連理工大學(xué);2017年

8 陳勇昌;基于不變特征的數(shù)字水印與感知哈希圖像認(rèn)證技術(shù)研究[D];華南理工大學(xué);2014年

9 趙玉鑫;多媒體感知哈希算法及應(yīng)用研究[D];南京理工大學(xué);2009年

10 張慧;圖像感知哈希測評基準(zhǔn)及算法研究[D];哈爾濱工業(yè)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 吳燁;基于字典學(xué)習(xí)的跨模態(tài)監(jiān)督離散哈希方法研究[D];山東大學(xué);2020年

2 楊慶濤;信息不對稱問題的跨模態(tài)哈希檢索算法研究[D];西安理工大學(xué);2020年

3 王彤;深度跨媒體哈希關(guān)鍵技術(shù)研究[D];山東師范大學(xué);2020年

4 王盛;基于標(biāo)簽對的深度哈希學(xué)習(xí)[D];南京大學(xué);2017年

5 馮璐;面向圖像檢索和分類的監(jiān)督哈希方法研究[D];山東大學(xué);2017年

6 胡志鍇;結(jié)合語義保護(hù)和關(guān)聯(lián)挖掘的跨模態(tài)哈希檢索算法研究[D];華僑大學(xué);2019年

7 袁知洪;基于哈希學(xué)習(xí)的大規(guī)模圖像檢索[D];重慶郵電大學(xué);2018年

8 許焱;基于哈希的行人重識別[D];電子科技大學(xué);2019年

9 李嘉展;基于深度離散哈希的醫(yī)學(xué)影像檢索與平臺實現(xiàn)[D];西安電子科技大學(xué);2019年

10 李逸凡;基于哈希學(xué)習(xí)的跨模態(tài)檢索技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2019年

本文編號：2873240