Topic driven multimodal similarity learning with multi-view voted convolutional features

یادگیری شباهت (و متریک فاصله) نقش بسیار مهمی را در بسیاری از وظایف هوش مصنوعی ایفا می کند که هدف آنها اندازه گیری ارتباط بین اشیاء است. ما در مورد چالش یادگیری الگوهای ارتباط پیچیده از اشیاء داده ها که ویژگی های ناهمگونی را نشان می دهند، درک می کنیم و مدل یادگیری چندملیتی چندمتغیره موثر با عملکرد بسیار بهبود یافته یادگیری و تفسیرپذیری مدل را ایجاد می کنیم. روش پیشنهادی ابتدا محاسبات چند بعدی را برای دستیابی به بهبود نمایه شیء محاسبه می کند و سپس شباهت بین اشیا را با کارکردن بر انواع مختلف ارتباطات پنهان (روش ها) تجزیه و تحلیل می کند و در نهایت تمام متغیرهای مدل را با استفاده از عقب نشاندگی از دست دادن رتبه بندی لایه های کانولوشن ما یک طرح اولیه سازی موضوع را هدایت می کنیم، به طوری که هر نوع ارتباط یاد شده می تواند به عنوان یک نماینده از مفهوم معنایی اشیا تفسیر شود. برای بهبود تفسیرپذیری و تعمیم مدل، اسپارتی بر روی این روابط پنهان تحمیل شده است. روش پیشنهادی با حل وظیفه بازیابی تصویر با استفاده از مجموعه داده های تصویری چالش برانگیز مورد بررسی قرار می گیرد و با هفت الگوریتم های پیشرفته در این زمینه مقایسه می شود. نتایج تجربی نشان دهنده بهبود عملکرد قابل توجهی از روش پیشنهادی بر روی رقابت است.