一种基于区分表示深度哈希的跨模态检索模型.pdf
是立****92
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于区分表示深度哈希的跨模态检索模型.pdf
本发明提出了一种基于区分表示深度哈希的跨模态检索模型,损失函数监督模型训练过程在保留相似性的同时生成更加具有区分性的表示。其中,成对损失,用于保留原始跨模态数据的语义相似性;量化损失:用于减少量化损失,使得生成的哈希码也可以保留跨模态相似性;三元组监督损失:用于在训练过程中,监督模型保留原模态数据相似性的同时生成更加具有区分性的表示。所提出的损失函数,使得生成的哈希码更加有效以及更加的具有区分性,这进一步提高了跨模态哈希模型的性能,使得检索任务的准确度得到了进一步的提升。
一种深度无监督跨模态哈希检索方法.pdf
本发明公开了一种深度无监督跨模态哈希检索方法,涉及跨模态哈希检索技术领域,本发明中,将文本当作图结构的数据来考虑,将文本特征转化为图中的节点信息,通过使用GAT网络,将稀疏的文本特征进一步融合,通过注意力机制,将相关邻居节点信息以一种注意力打分机制与原始节点融合起来,同时注意力分数也表示出特征词之间联系的紧密程度,分数越高关系越紧密,并且采用自编码器将提取后的模态特征进行特征编码和特征解码,同时将图注意力网络引入跨模态哈希检索领域中,能够对语义信息不丰富的文本模态进行深度提取,丰富其高层特征信息表示,同时
基于层次语义结构的跨模态哈希检索方法.pdf
本发明公开了一种基于层次语义结构的跨模态哈希检索方法,其步骤为:(1)建立数据集;(2)构建图像和文本特征提取网络;(3)利用层次语义结构生成损失函数;(4)训练图像和文本特征提取网络;(5)用户用图像检索文本;(6)用户用文本检索图像。本发明通过将图像文本对标签中每层的所有类别的类哈希码扩展为对应层次的层次语义结构,将各层的层次语义结构融合到哈希码中,使得图像文本对的哈希码很大程度地保留了标签的同层与层间的关联信息,解决了现有跨模态哈希检索方法忽略层间关系导致标签信息不全面的问题和将标签信息融合到图像特
基于深度哈希的跨模态检索关键技术研究的开题报告.docx
基于深度哈希的跨模态检索关键技术研究的开题报告一、研究背景随着互联网技术的发展,跨模态检索技术越来越受到人们的关注。跨模态检索是指通过不同类型的数据,如语音、图像、文本等进行关联查询,从而寻找与查询信息相关的数据。目前,跨模态检索已经被广泛应用于各个领域,例如图像检索、音频检索、视频检索等。在跨模态检索中,常用的检索方式是使用哈希值来比较不同类型的数据。哈希值是通过将数据转换为固定长度的二进制编码来表示数据的方法,具有快速、可压缩等优点。在哈希比较中,需要使用深度哈希技术来匹配不同类型的数据。深度哈希是一
基于协同矩阵分解的在线哈希跨模态信息检索方法.pdf
本发明公开了一种基于协同矩阵分解的在线哈希跨模态信息检索方法,其步骤为:(1)生成初始训练集;(2)在线训练哈希跨模态信息检索模型;(3)判断信息检索系统实施获取新样本个数是否大于等于100;(4)计算待检索样本的哈希编码;(5)得到检索结果。本发明采用矩阵分解的思想构建信息损失函数,能够对于实时获取的无类标信息在线建立模型,并根据获取到的数据在线更新模型,在模型训练的过程中,信息检索系统只需存储前一轮的优化结果,降低了系统存储压力,提高了计算速度,具有广泛的适应性。