کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6863532 1439515 2018 45 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Global and local semantics-preserving based deep hashing for cross-modal retrieval
ترجمه فارسی عنوان
محرمانه عمیق و محرمانه جهانی و محلی برای بازیافت متقابل
کلمات کلیدی
یادگیری عمیق، یادگیری متریک، حفظ معنایی، شبیه سازی متقابل،
ترجمه چکیده
روش های شبیه سازی متقابل مشتق داده های مشابه از منابع داده ناهمگن را به کدهای دوتایی با فاصله های کوچک تر از همچینگ نشان می دهد. با این حال، اکثر شیوه های هش کردن متقابل، کد های هش را با ویژگی های دستی طراحی می کنند که کد های هش مطلوب را ایجاد نمی کنند و عملکرد رضایت بخش را به دست نمی آورند. روش های جامع متقابل متقابل عمیق یادگیری ویژگی ها و برنامه نویسی هش به یک چارچوب یادگیری به پایان می رسانند که به نتایج امیدوار کننده ای دست یافته اند. با این حال، این روش های جامع متقابل مودال، توانایی های تبعیض آمیز و همبستگی چند سطحی جهانی را در روش یادگیری هش حفظ نمی کند. در این مقاله، یک روش هشام عمیق مبتنی بر معناشناختی جهانی و محلی برای بازیابی متقابل مروارید پیشنهاد می کنیم. به طور خاص، یک حاشیه بزرگ بین کدهای هش مشابه و کدهای هش متفاوت از یک دیدگاه بین مدال برای یادگیری کدهای هش استفاده می شود. بنابراین، کدهای آموخته شده هش به خوبی می توانند ساختار معنایی محلی را حفظ کنند. به طور متوالی، اطلاعات تحت نظارت با شباهت چند سطحی جهانی معرفی می شود تا کدهای هش را برای هر معانی در نظر بگیرد. به عنوان یک نتیجه، ساختار معنایی جهانی را می توان در کدهای هش حفظ کرد. علاوه بر این، یک محدودیت قانونی سازگار برای تولید کدهای هش یکپارچه اضافه شده است. در نهایت، روش یادگیری ویژگی و روش کدگذاری هش به یک چارچوب یادگیری به پایان می رسد. برای تأیید اثربخشی روش پیشنهادی، آزمایشهای گسترده بر روی چندین مجموعه داده انجام شده و نتایج تجربی نشان میدهد که روش پیشنهادی عملکرد برتر را نشان میدهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
محرمانه عمیق و محرمانه جهانی و محلی برای بازیافت متقابل
چکیده انگلیسی
Cross-modal hashing methods map similar data entities from heterogeneous data sources to binary codes with smaller Hamming distance. However, most existing cross-modal hashing methods learn the hash codes with the hand-crafted features which will not generate optimal hash codes and achieve satisfactory performance. Deep cross-modal hashing methods integrate feature learning and hash coding into an end-to-end learning framework which have achieved promising results. However, these deep cross-modal hashing methods do not well preserve the discriminative ability and the global multilevel similarity in hash learning procedure. In this paper, we propose a global and local semantics-preserving based deep hashing method for cross-modal retrieval. More specifically, a large margin is enforced between similar hash codes and dissimilar hash codes from an inter-modal view to learn discriminative hash codes. Therefore the learned hash codes can well preserve local semantic structure. Sequently, the supervised information with the global multilevel similarity is introduced to learn semantics-preserving hash codes for each intra-modal view. As a consequence, the global semantic structure can be preserved into the hash codes. Furthermore, a consistent regularization constraint is added to generate unified hash codes. Ultimately, the feature learning procedure and the hash coding procedure are integrated into an end-to-end learning framework. To verify the effectiveness of the proposed method, extensive experiments are conducted on several datasets, and the experimental results demonstrate that the proposed method achieves superior performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 312, 27 October 2018, Pages 49-62
نویسندگان
, , , , ,