科研之友
微信
新浪微博
Facebook
分享链接
摘要
跨模态哈希具有存储成本低、查询速度快的特性，是一种有效的跨媒体检索方法，近年来得到了广泛的关注。然而，现有的跨模态哈希方法普遍基于批量学习模式来学习哈希函数，该模式不能处理大规模数据集，内存消耗大，训练流数据效率较低。为解决上述问题，提出了在线跨模态哈希方法，但大多数方法均关注于将不同模态的数据映射到一个公共的低维空间中，从而消除不同模态之间异构性，实现跨模态检索。而对于同一模态内数据之间的相关性没有被充分挖掘利用，使得最终学习到的哈希编码检索精度不高。本文提出在线图正则化非负矩阵分解跨模态哈希（online graph regularized non-negative matrix factorization hashing，OGNMFH）检索方法，充分利用数据模态内的局部流形结构信息和数据的类别标签信息，同时保持数据模态间相似性和模态内相似性，得到判别性更高的哈希码。通过在三个经典数据集上进行大量实验，证明了该方法可有效提升在线哈希学习的检索精度。
- 单位
