کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4969373 1449932 2017 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Integration of semantic and visual hashing for image retrieval
ترجمه فارسی عنوان
ادغام هش کردن معنایی و تصویری برای بازیابی تصویر
کلمات کلیدی
بازیابی تصویر، شباهت معنایی، ساختار ویژوال، کد هچینگ،
ترجمه چکیده
با گسترش سریع تصاویر وب در مقیاس بزرگ، سال های اخیر شاهد تصاویر بیشتر و بیشتر با برچسب های ارائه شده توسط کاربر بوده اید، که منجر به تلاش های قابل توجهی در بازیابی تصویر های مبتنی بر هش شدگی در پایگاه های بزرگ می شود. در حال حاضر تلاش های پژوهشی بیشتر بر روی یادگیری توابع هش کردن معنایی طراحی شده است که کدهای باینری جمع و جور را برای طراحی تصاویر مشابه به صورت مشابه به کدهای مشابه طراحی می کنند. با این حال شباهت بصری برای ساختن توابع هش کردن معنایی به خوبی مورد کاوش نیست. در اینجا یک رویکرد جدید برای یادگیری توابع هش کردن ارائه می شود که شباهت معنایی و بصری بین تصاویر را حفظ می کنند. به طور خاص، کدهای هشدار معنایی ابتدا با استفاده از همبستگی بین ساختار متنی و ساختار بصری یاد می شود؛ سپس، حداکثر اصل آنتروپی برای دستیابی به کدهای باینری جمع و جور استفاده می شود. در نهایت، اصل تابع تابع تابع برای حذف ویژگی های بصری پر سر و صدا معرفی شده است. نتایج تجربی انجام شده بر روی یک مجموعه داده به طور گسترده ای مورد استفاده نشان می دهد عملکرد برتر روش پیشنهادی بر روی تکنیک های پیشرفته مورد بررسی قرار گرفته است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
ادغام هش کردن معنایی و تصویری برای بازیابی تصویر
چکیده انگلیسی
With the rapid proliferation of large-scale web images, recent years have witnessed more and more images labeled with user-provided tags, which leads to considerable effort made on hashing based image retrieval in huge databases. Current research efforts focus mostly on learning semantic hashing functions which design compact binary codes to map semantically similar images into similar codes; however the visual similarity is not well explored for constructing semantic hashing functions. Here a novel approach is proposed to learn hashing functions that preserve semantic and visual similarity between images. Specifically, semantic hashing codes are first learned by leveraging the similarity between textual structure and visual structure; then, the maximum entropy principle is exploited to achieve compact binary codes; finally, the function decay principle is introduced to remove noisy visual attributes. Experimental results conducted on a widely-used image dataset demonstrate the superior performance of the proposed method over the examined state-of-the-art techniques.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Visual Communication and Image Representation - Volume 44, April 2017, Pages 229-235
نویسندگان
, , , , , ,