.png){kind=icon}
返回
Label-consistent kernel transform learning-based sparse hashing for cross-modal retrieval
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02419-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着多样化多模态数据的迅速扩展，允许用户跨不同模态进行查询和检索结果的跨模态检索系统已获得显著普及。因此，该领域因机器学习技术的进步而吸引了越来越多的研究关注，并取得了实质性进展。然而，现有的跨模态检索系统在判别性表示学习方面面临挑战，因为它们将原始异构数据线性投影到共同投影空间，未能捕捉多模态数据的语义相似性。为解决此问题，我们提出了一种基于标签一致性核变换学习的稀疏哈希（LcKTLSH）方法用于跨模态检索。该方法并非直接投影原始数据样本，而是学习适用于投影到核空间的变换和稀疏系数。所学习的稀疏系数被嵌入到预学习的哈希码中以生成最终哈希码。此外，核技巧处理数据中的非线性，而标签一致性约束提供监督。我们在包含文本-图像对的四个数据集上评估了所提出的LcKTLSH方法，并将其与九种流行的基线方法进行了比较。实验结果有力地证明了LcKTLSH的有效性，这主要归因于引入的核化和变换嵌入组件，并通过消融研究得到验证。
Keyword:
Cross-modal retrieval
Sparse hashing
Information retrieval
Kernel transform learning
期刊
IF:
3.1
论文数:
550
被引数:
5.2K
机构
引用论文
Clustering-driven Deep Adversarial Hashing for scalable unsupervised cross-modal retrieval用于可扩展的无监督跨模态检索的聚类驱动的深度对抗哈希.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
Parallel learned generative adversarial network with multi-path subspaces for cross-modal retrieval
PREAI
分享收藏
查看更多内容