کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4969257 1449928 2017 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Internet cross-media retrieval based on deep learning
ترجمه فارسی عنوان
بازیابی میان رسانه های اینترنتی براساس یادگیری عمیق است
کلمات کلیدی
بازیابی میان رسانه ای، یادگیری عمیق، ویژگی استخراج، اطلاعات چندرسانه ای،
ترجمه چکیده
با توسعه اینترنت، اطلاعات چندرسانه ای مانند تصویر و ویدئو به طور گسترده ای مورد استفاده قرار می گیرد. بنابراین، چگونگی یافتن اطلاعات چندرسانه ای مورد نیاز به سرعت و با دقت در تعداد زیادی از منابع، به تمرکز تحقیق در زمینه فرایند اطلاعات تبدیل شده است. در این مقاله، یک روش بازاریابی متقابل رسانه ای در زمان واقعی بر اساس یادگیری عمیق ارائه می کنیم. به عنوان یک نوآوری، ما بهبود کامل در استخراج ویژگی و تشخیص فاصله ساخته شده است. پس از گرفتن مقدار زیادی از بردارهای تصویری تصویر، عناصر بردار را با توجه به سهم خود مرتب می کنیم و سپس ویژگی های غیر ضروری را حذف می کنیم. آزمایشات نشان می دهد که روش ما می تواند دقت بالا در بازیابی رسانه های تصویری متنی را با استفاده از زمان بازیابی کمتری به دست آورد. این روش یک فضای کاربردی عالی در زمینه بازیابی رسانه های متقابل دارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
With the development of Internet, multimedia information such as image and video is widely used. Therefore, how to find the required multimedia data quickly and accurately in a large number of resources, has become a research focus in the field of information process. In this paper, we propose a real time internet cross-media retrieval method based on deep learning. As an innovation, we have made full improvement in feature extracting and distance detection. After getting a large amount of image feature vectors, we sort the elements in the vector according to their contribution and then eliminate unnecessary features. Experiments show that our method can achieve high precision in image-text cross media retrieval, using less retrieval time. This method has a great application space in the field of cross media retrieval.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Visual Communication and Image Representation - Volume 48, October 2017, Pages 356-366
نویسندگان
, , , , , ,