本文提出了一种基于排序的深度跨模态哈希方法(RDCMH),用于多模态数据检索,通过将深度学习和排序信息相结合来解决多标签数据检索的问题,并在真实数据集上进行了实验,证明该方法在跨模态检索方面比其他竞争基线表现更好,并取得了最先进的性能。
May, 2019
本文提出了一种新的端到端的深层交叉模态哈希方法 (DCHUC),通过迭代优化算法学习图像 - 文本对的统一哈希码和一对哈希函数,并使用所学的统一哈希码来指导哈希函数的学习,同时学习到的哈希函数也可以反馈指导统一哈希码的优化过程。实验结果表明,该方法优于现有的交叉模态哈希方法。
Jul, 2019
本论文提出了一种新方法 Deep Manifold Hashing (DMH),通过基于流形学习的半配对数据来获取模态不变的特征,并构建三个子模型,分别学习哈希编码和哈希函数,解决了现有跨模态哈希方法在数据严重不平衡情况下的性能问题,并在三个基准测试上证明了其优越性。
Sep, 2022
本文提出一种基于三元组的深度哈希网络(TDH),用于跨模态检索,并在哈希空间中引入图形正则化,以保留哈希码的原始语义相似性,实验结果表明,我们提出的方法优于几种现有的交叉模态数据集上的最新方法。
Apr, 2019
本文提出了一种处理不平衡多模态数据的方法 LtCMH (Long-tail CMH), 使用自编码器挖掘不同模态的个性和共性,并将其与来自各模态的特征相结合产生元特征,此方法在长尾分布数据下显著优于现有算法,在平衡标签数据集上表现更好(或与之相当)
Nov, 2022
本论文提出了一种新的跨模式哈希方法,通过联合学习数据特征和量化误差控制实现高质量哈希编码,并在标准测试中表现良好。
Feb, 2016
本文提出了一种新的方法,通过使用无监督方法产生的输出来指导监督方法,具体来说,使用师生优化来传播知识,在两个流行的 CMH 基准数据集 MIRFlickr 和 NUS-WIDE 上进行了实验,结果表明我们的方法大大优于所有现有的无监督方法。
Apr, 2020
本文提出了一种用于跨模态信息检索的混合深度架构,通过在辅助数据集中同时学习跨模态相关性和对齐数据集分布,生成异质多媒体检索的中间哈希代码,实验结果在公共数据集上表现为业内最先进的多媒体检索性能。
Aug, 2016
本文提出了一种创新的深度生命周期跨模式哈希方法,通过直接训练增量数据以更新哈希函数,设计生命周期学习策略以代替重复训练哈希函数,引入多标签语义相似性来监督哈希方法学习,并在基准数据集上进行实验验证,结果显示,该方法具有相对于最新的交叉模型哈希法更好的性能和对连续新数据的快速适应性。
Apr, 2023
提出了一种高效的计算框架,用于将多模式数据散列成单一表示空间,使它们可以相互比较。该方法基于一种新的耦合孪生神经网络架构,并允许统一处理内部和跨模态相似性学习。与现有的跨模态相似性学习方法不同,我们的散列函数不仅限于二值化线性投影,并且可以呈现出任意复杂的形式。实验表明,该方法在多媒体检索任务中显著优于现有的散列方法。
Jul, 2012