.png){kind=icon}
返回
Weighted semantic feature based self-supervised deep cross-modal hashing
.png){kind=icon}
PRE
AI
DOI：10.1007/s13735-025-00378-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为快速响应大规模跨模态检索任务，深度跨模态哈希算法将不同模态映射到低维汉明空间，并使用汉明距离度量其相似度。自监督方法基于语义多标签训练深度哈希网络，并在汉明空间中保留原始语义关系。然而，大多数自监督方法忽视了图像、文本和多标签之间的语义权重不一致问题。此外，它们忽略了在检索样本中保留相对排序顺序。为解决上述问题，我们提出了一种基于加权语义特征的自监督深度跨模态哈希方法（WFSCH）。首先，我们设计了加权语义特征模块，以自适应地生成图像、文本和多标签的加权语义特征。加权语义特征提高了对不同模态内容的描述精度，并增强了自监督语义约束。其次，为进一步提高跨模态检索性能，我们在汉明空间中保留了原始的模态内和模态间三元组排序关系。最后，为最小化成对哈希相似度与多标签语义关系之间的差异，我们基于正约束Kullback-Leibler（KL）散度设计了多标签语义相似度保留损失，该损失充分利用了不同模态的多标签语义信息。我们在四个公开数据集（包括MIRFLICKR-25K、NUS-WIDE、MS COCO2014和IAPR TC-12）上进行了大量实验。实验结果表明，所提出的WFSCH算法优于当前最先进的跨模态哈希算法。
Keyword:
Cross-modal hashing
Self-supervised
Multi-label
Hamming space
期刊
IF:
2.9
论文数:
280
被引数:
866
机构
引用论文
Work Together: Correlation-Identity Reconstruction Hashing for Unsupervised Cross-Modal Retrieval协同工作: 无监督跨模态检索的相关性-身份重建哈希
PREAI
分享收藏Multi-label enhancement based self-supervised deep cross-modal hashing基于多标签增强的自监督深度跨模态哈希算法.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏MS2GAH: Multi-label semantic supervised graph attention hashing for robust cross-modal retrievalPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏分享收藏Deep Ranking Distribution Preserving Hashing for Robust Multi-Label Cross-Modal Retrieval用于鲁棒多标签跨模态检索的深度排名分布保留哈希
PREAI
分享收藏
查看更多内容