کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6865887 678089 2015 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Local similarity preserved hashing learning via Markov graph for efficient similarity search
ترجمه فارسی عنوان
شباهت محلی، یادگیری هشیش را از طریق مارکف برای جستجوی شبیه سازی کارآمد حفظ کرد
کلمات کلیدی
هش جستجوی مشابه گراف مارکوف، تجزیه طیفی،
ترجمه چکیده
هشیفتگی، برای بهره وری آن در نزدیکترین همسایه جستجو در فضای ابعادی، موضوعی جذاب در زمینه بازیابی چندرسانه ای است. در این مقاله، یک الگوریتم مؤثر هشیش بر اساس گراف ماروف پیشنهاد شده است. با ایجاد یک گراف ترکیبی با ثبات کامپوزیت، می تواند به خوبی اطلاعات مربوط به شباهت را در زیر فضای تعبیه شده حفظ کند. علاوه بر این، یک استراتژی عملی برای کاهش پیچیدگی محاسباتی ارائه شده است. مقایسه ها با چندین الگوریتم پیشرفته ترین در سه مجموعه عمومی انجام شده است. نتایج تجربی نشان می دهد که روش پیشنهادی می تواند عملکرد رقابتی را به دست آورد و از وظایف جستجو در شبکهای بزرگ در مقیاس بزرگ برخوردار باشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
شباهت محلی، یادگیری هشیش را از طریق مارکف برای جستجوی شبیه سازی کارآمد حفظ کرد
چکیده انگلیسی
Hashing, for its efficiency to nearest neighbor search in high dimensional space, has become an attractive topic in multimedia retrieval area. In this paper, an effective hashing algorithm based on markov graph has been proposed. Through constructing a stable composite affinity graph, it can preserve similarity information well in the embedded subspace. Furthermore, a practical strategy has been supplied to reduce the computational complexity. Comparisons with several state-of-the-art algorithms have been done in three public datasets. The experimental results have demonstrated that the proposed method can achieve competitive performances, and afford large scale similarity search tasks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 159, 2 July 2015, Pages 144-150
نویسندگان
, , , ,