本文關(guān)鍵詞：多媒體特征學(xué)習(xí)與信息檢索聯(lián)合優(yōu)化問題研究

  更多相關(guān)文章： 多媒體信息檢索 特征提取 關(guān)聯(lián)分析 聯(lián)合優(yōu)化

【摘要】：多媒體信息檢索問題通常描述成挖掘多媒體數(shù)據(jù)下的隱藏信息并完成快速有效檢索的問題。多媒體信息檢索一般包含特征學(xué)習(xí)和排序模型的構(gòu)建兩個方面。在原理上,特征學(xué)習(xí)的目的是利用多媒體數(shù)據(jù)的內(nèi)在結(jié)構(gòu)屬性提煉出一種有效的特征表示；而排序模型旨在編碼數(shù)據(jù)樣本的潛在排序結(jié)構(gòu)信息。為了尋找能適應(yīng)檢索應(yīng)用的特征,我們建立新的特征學(xué)習(xí)模型以作為更好的數(shù)據(jù)預(yù)處理手段。此外,特征學(xué)習(xí)模型和排序模型之間存在潛在的互動結(jié)構(gòu)：特征學(xué)習(xí)得到的模型可以反映數(shù)據(jù)樣本之間的內(nèi)在排序關(guān)系；而排序模型的構(gòu)建同時也能給特征學(xué)習(xí)提供額外的正則化信息,從而得到在語義概念上有意義的特征表達。因此,特征學(xué)習(xí)模型和排序模型之間在理論上是互相增強的�；谝陨嫌^測,本文旨在提出一種聯(lián)合優(yōu)化的模型,其能提取出面向排序模型的特征以進一步改善檢索性能,并保證在不降低檢索準確度的前提下,大幅提升檢索速度�？傊�,本文圍繞多媒體信息檢索問題展開了一系列相關(guān)研究并取得了以下成果：首先,采用單模態(tài)特征學(xué)習(xí)方法構(gòu)建一個有效的特征表達。本文給出了一種基于細粒度塊矩陣的交替優(yōu)化最小二乘法,其將非負矩陣分解問題轉(zhuǎn)化成一系列條件獨立的子優(yōu)化問題以實現(xiàn)不同子優(yōu)化問題的獨立計算。為了進一步考慮多媒體數(shù)據(jù)的特征學(xué)習(xí)問題中多個模態(tài)一致表現(xiàn)出來的信息,本文將不同模態(tài)空間中的屬性映射到一個一致表達的子空間內(nèi),以描述不同模態(tài)的共性和差異。同時,模型采用了二值化約束且在分布式集群上實現(xiàn)了并行計算,從而大大提高了算法的效率。在介紹上述特征學(xué)習(xí)方法之后,本文聚焦于設(shè)計聯(lián)合特征學(xué)習(xí)的排序?qū)W習(xí)算法。首先,本文提出了一個層次化聯(lián)合深度特征表達的排序?qū)W習(xí)算法,其在獲得深度線性特征的同時,也構(gòu)建了面向結(jié)構(gòu)信息的排序模型。通過采取聯(lián)合學(xué)習(xí)的機制,特征學(xué)習(xí)模塊和排序?qū)W習(xí)模塊之間互相增強,同時二者之間的互動也能通過交替優(yōu)化的方式體現(xiàn)出來。隨后,本文從特征群組發(fā)現(xiàn)的角度又提出了一個采用深度神經(jīng)網(wǎng)絡(luò)自適應(yīng)地探索特征的群組屬性以及不同特征群組的重要性的算法。這些提取出來的群組信息可以作為隱變量加入到隱結(jié)構(gòu)化支持向量機的排序模塊中,從而將群組信息發(fā)現(xiàn)和排序?qū)W習(xí)同時建模。
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.3
，

本文編號：1259407