CN107346327A - 基于监督转移的零样本哈希图片检索方法 - Google Patents
基于监督转移的零样本哈希图片检索方法 Download PDFInfo
- Publication number
- CN107346327A CN107346327A CN201710253104.7A CN201710253104A CN107346327A CN 107346327 A CN107346327 A CN 107346327A CN 201710253104 A CN201710253104 A CN 201710253104A CN 107346327 A CN107346327 A CN 107346327A
- Authority
- CN
- China
- Prior art keywords
- matrix
- hash
- mrow
- picture
- training sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于监督转移的零样本哈希图片检索方法,属于图像哈希技术领域。本发明利用现有自然语言处理模型对已有训练数据的标签进行建模,形成一个标签空间。通过新的标签空间潜在的保存标签之间的关系,训练从图片特征空间到标签空间的映射。在此基础上,将此映射关系反映在哈希码上。本发明对训练样本没有严格要求,应用范围广,特别是在大型数据库里,当类别较多且无法对每一个类别找出训练样本时,本发明可以极大程度地提高对于该类别的图片检索准确率。
Description
技术领域
本发明属于图像哈希领域,具体涉及一种精确地将图片哈希的方法,尤其是在对于某类图片无训练样本的情况下,仍能够将该类图片进行合理编码的方法。
背景技术
随着越来越多的多媒体数据的产生,哈希成为了应对大规模检索的一种强大的工具,其可以极大程度的缩短在几十亿数据中查找所花费的时间。由于计算机极为擅长异或运算,使用哈希码进行检索可以应对大数据时代所带来的查找需求。
数据库哈希是一个极为重要的工作,对于众多的领域都有着极为重要的意义。因此,哈希在过去的很长一段时间得到了重要的关注,提出了很多重要的算法。如数据无关哈希类的Local Sensitive Hashing(LSH),数据相关哈希类的Iterative Quantization(ITQ),Isotropic Hashing以及监督哈希类的Supervised Hashing with Kernels(KSH),Supervised Discrete Hashing(SDH)。尤其是监督哈希类,通过挖掘语义标签,深入的探索了数据库中各个样本之间的内在关系,极大程度地提高了哈希的精确度。
然而,在大数据时代,随着越来越多的多媒体数据的生成,要求对于每一个类别都拥有训练数据是不现实的。而传统的哈希方法更多是针对静态数据库,面对指数增加的数据库能力有限。因此传统的监督哈希方法不适用于膨胀的数据库。零样本学习(ZeroshotLearning)是一种有效解决样本缺乏的方法。通过学习如何从未观察到的样本特征空间映射到语义空间,从而避免对未观测到的样本重新建模。然而,传统的零样本学习常常有很多限制,如:认为的属性标注歧义、不能应对数据集转移。因此,最近几年,随着自然语言处理领域的发展,零样本学习被给予了新的解决方案。如,通过挖掘巨大的语料库如Wikipedia,监督标签可以被映射为标签向量,而这种标签向量通常被赋予了高于传统标签的语义,从而引导模型对未观察到的空间进行建模。著名的方法包括Socher用标签向量进行监督,引导对于未观测到的数据进行分类,具体见文献“R.Socher,M.Ganjoo,C.D.Manning,andA.Ng.Zero-shotlearning through cross-modal transfer.In NIPS,2013.”。Frome在文献“A.Frome,G.S.Corrado,J.Shlens,S.Bengio,J.Dean,T.Mikolov,et al.Devise:A deepvisual-semantic embeddingmodel.In NIPS,2013.”中也采用了相似的策略,但是使用了不同的语言模型并扩展到了更多的类别。
传统的监督哈希的训练模式是,针对某一个特定类别,采用1/0的标签进行监督,引导训练。这样的1/0标签相互之间的相关性为0,也即对于监督的标签来说,类与类之间的差别是固定的。这样做会导致类别之间的关联性得不到体现,从而使得训练出来的哈希模型只能对处于训练集中的类别进行有效的编码,而对于一个从未见过的类别无法可靠地编码,也即无法可靠地对于未见过的类别进行检索。
发明内容
为了克服现有的监督哈希算法对于训练数据的苛刻要求,对于没有训练数据的类哈希能力较弱的缺点,本发明提出了一种新的监督哈希算法,即零样本哈希(ZeroshotHashing)。本发明对训练样本没有严格要求,应用范围广,特别是在大型数据库里,当类别较多且无法对每一个类别找出训练样本时,本发明可以极大程度地提高对于该类别的图片检索准确率。
本发明利用现有自然语言处理(Natural Language Processing)模型对已有训练数据的标签进行建模,形成一个标签空间。通过新的标签空间潜在的保存标签之间的关系(即各标签在标签空间的空间位置距离关系),训练从图片特征空间到标签空间的映射。在此基础上,将此映射关系反映在哈希码上。
首先将图片表示为图片原始特征,即图片特征空间,再将图片表征成为了机器学习算法可以处理的向量(标签向量),即将图片原始标签通过现有的自然语言处理模型(基于大型语料库训练得到)表征为标签空间(也称语料空间),在标签空间中,语义相近的词汇会有更小的空间位置距离,而语义相去的标签的空间位置距离则会较远。对图片原始特征、标签向量进行哈希函数的学习,从而既可以极大程度的保留已知类别的哈希码学习能力,同时又可以通过自然语言处理后所形成的标签空间的内在关系(空间位置距离关系),隐式地传递未知类别的监督信息,从而对未知类别的数据进行很好的哈希。
在本发明的哈希算法中,通过离散编码生成,语义整合,原始空间保留综合学习得到对应的哈希函数,确保了在无样本的类别中拥有良好的表现。
本发明的基于监督转移的零样本哈希图片检索方法总体包括三个部分:图片与图片标签的预处理、哈希函数训练和哈希码生成与评估。其中,图片与图片标签的预处理主要包括对于训练集中的图片特征空间的提取以及运用自然语言处理模型对标签进行语料空间生成;哈希函数训练主要包括采用本发明所提出的哈希算法,学习哈希函数;哈希码生成则主要为基于学习到的哈希函数,对所有的图片进行编码,得到图片的哈希码。当进行图片检索处理时,通过哈希码比对,完成图片的检索处理。各部分具体实现步骤分别如下:
步骤一、图片与图片标签的预处理:
处理对象:训练样本、待检索对象(即测试样本),对处理对象基于现有的语料模型,完成图片特征向量到标签向量的映射。
步骤二、哈希函数训练:
为了在较低复杂度的情况下学习出较好的哈希函数,本发明采用如下所示的目标方程:
上式中,X表示训练样本集的图片特征向量集,Y表示训练样本集的标签向量集,即X=[x1,x2,…,xn],Y=[y1,y2,…,yn],xi、yi表示第i(i=1,2,…,n)个个训练样本的图片特征向量、标签向量;
R表示语义整合矩阵;W表示从哈希码到监督的标签向量的映射关系矩阵,W为l×c维的实数域矩阵,字母“l”表示哈希码的长度,c表示类别数目;B=[b1,b2,…,bn]∈{-1,1}l×n表示所有训练样本哈希码构成的哈希码矩阵,bi∈{-1,1}l×n表示第i个样本的哈希码,n表示样本数量,Ic是c×c的单位矩阵;表示矩阵的Frobenius范数,符号(·)T表示矩阵转置;哈希矩阵P为l×m维的实数域矩阵,其中m表示标签向量的维数;Sij表示训练样本i、训练样本j的图片特征向量xi、xj之间的相似度;平衡参数λ、α、β、γ均为大于0的数,用于调节不同的惩罚项;映射关系f是从特征空间到哈希码的哈希函数,即哈希函数f(X)为:
f(X)=PTφ(X) (2)
其中f(X)=[f(x1),f(x2),…,f(xn)],鉴于核方法在哈希领域的成功应用,处理线性不可分的问题,定义:
其中x表示任意训练样本的图片特征向量,表示m个从图片特征向量X中随机选择的核,平衡系数δ的取值范围为[-1,1]。
为了进一步提高哈希函数的准确度,通过下述三个子方法实现:
1)原始特征空间(图片特征空间)保留:(1)式中最后一项通过一个相似度矩阵S保留了图片原始空间里的结构信息。其中相似度矩阵S的各元素Sij的生成方法如下:
其中表示括号中对象的k个邻近样本,k为预设值,取值范围为[5,10]。参数σ的取值范围为0~1,优选值为1。
通过相似度矩阵S保证了原始特征空间相近的图片的相似度大,从而有效地挖掘了原始特征空间的相似关系。
2)语义整合:(1)式中的第一项对标签空间进行了整合。由于标签空间的分布与特征空间的分布有一定的差异,直接将特征空间用于哈希算法会导致误差。所以需要一个方法来让标签空间与特征空间存在统一性。本发明通过迭代得更新语义整合矩阵R,生成的哈希码可以有效地降低误差,同时也会侧面地加速哈希函数训练的收敛。
3)离散哈希码生成:在求解(1)式给出的目标方程时,采用离散求解哈希码的方式,降低了量化误差。
由于(1)式是一个非凸并且NP-hard(不可解)的问题,本发明采用逐步优化各个参数的策略。将对目标方程的求解分解为4个步骤:步骤P、步骤B、步骤R、步骤W。通过不停迭代这四个步骤可以使得目标方程收敛,下面分别说明这四个步骤的优化方式。
步骤P:固定(1)中除了P以外的所有变量,改写(1)可以得到:
其中,I表示单位矩阵,拉普拉斯矩阵L=D-S,D是一个对角矩阵,其第i个对角元为
步骤B:固定(1)中除了B以外的所有变量,改写(1)可以得到:
其中Tr(·)表示矩阵迹,H=WTRY+αPTφ(X)。将B表示为H表示为同时将W表示为
更进一步,定义:
其中,表示将B、H、W中的第i列去掉所得到的矩阵。可以推出,(6)式的最优解为通过循环迭代q直到收敛,从而得到最优的B。
步骤R:固定(1)中除了R以外的参数,(1)式可以转化化为
s.t.RTR=Ic
对上式进行求解可以得到最优的R,例如采用文献“Z.Wen and W.Yin.A feasiblemethod for optimization withorthogonality constraints.MathematicalProgramming,2013”中的优化方法对R进行优化处理。
步骤W:固定(1)中除了W以外的其他参数,可以得到:
W=(BBT+λIl)-1BYTR
其中,Il表示l×l的单位矩阵,当参数P、B、R、W的值无变化时,即最近两次迭代得到的差值满足预设预知时,停止迭代,输出当前的P、B、R、W,再根据P、B、R、W的最后一次迭代值,得到哈希函数f(·),完成哈希函数的训练。
步骤三、哈希码生成:
基于学习到的哈希函数f(·)对所有的图片进行哈希编码,生成图像的哈希码。
即基于得到的P的值,根据对应每个图片特征向量的φ(X),根据公式f(X)=PTφ(X)生成当前图片的哈希码。
步骤四、在进行图片检索时,基于图像的哈希码进行比对,得到检索结果。例如基于哈希码,在检索范围中查找出目标图像的k个最邻近图像进行返回。
综上所述,由于采用了上述技术方案,本发明的有益效果是:可以在没有某一类的训练数据的情况下,学习出一个哈希函数,进而对对应的类进行有效的哈希,从而实现零样本哈希。本发明能应用于大型数据库中,当训练样本相对于客观世界缺乏时,有效地提高对于微观察到的类别的哈希效果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式,对本发明作进一步地详细描述。
本发明的图片检索包括下述步骤:
步骤1:对训练样本进行图片与图片标签的预处理,得到训练样本的图片特征向量X、标签向量Y:
采用文献“R.Socher,M.Ganjoo,C.D.Manning,and A.Ng.Zero-shotlearningthrough cross-modal transfer.In NIPS,2013.”给出的料模型,运用Wekipedia上的免费语料库(包含近5亿词汇)进行训练,挖掘出合理的词汇表示方法,将标签通过预先训练好的模型,表示成标签向量Y。
在提取图片原始特征时,可采用卷积神经网络的激励作为图片的特征,将图片输入已训练好的卷积神经网络,并且在第7层提取网络的输出,作为图片的特征,得到各训练样本的图片特征向量X。本具体实施方式中采用的网络结构和参数为AlexNet。
步骤2:哈希函数训练:
输入训练样本的图片特征向量X、对应的标签向量Y;
步骤201:随机初始化语义整合矩阵R、哈希码矩阵B、映射关系矩阵W、哈希矩阵P;
步骤202:从训练样本的图片特征向量X中随机选择m个核,得到{ai},其中m对应标签向量的维数;根据公式(3)计算φ(X);
步骤204:根据L=D-S构建拉普拉斯矩阵L;
步骤205:迭代方式对公式(1)所示的目标方程进行离散求解,迭代对P、B、R、W进行最优求解,直到满足迭代收敛为止,优选的迭代收敛条件为:最近两次的求解结果的变化不超过预设阈值。
步骤3:基于步骤2得到的哈希矩阵P(最后一次迭代优化求解的对应值),根据公式f(X)=PTφ(X)生成图片的哈希码;
步骤4:输入待检索对象的图片It,并提取得到图片特征向量xt、标签向量yt;
采用步骤202相同的方式计算当前图片的φ(xt),再基于步骤2得到的哈希矩阵P,通过公式f(xt)=PTφ(xt)生成当前图片It的哈希码。
即其中表示m个从图片特征向量xt中随机选择的核。
基于哈希码,在检索范围中查找出目标图像的k(预设值)个最邻近图像进行检索结果返回。
Claims (1)
1.基于监督转移的零样本哈希图片检索方法,其特征在于,包括下列步骤:
步骤1:对训练样本集进行图片与图片标签的预处理,得到训练样本集的图片特征向量集X、标签向量集Y,每个训练样本的图片特征向量用xi表示,对应的标签向量为yi,下标为训练样本标识符;
步骤2:基于训练样本的图片特征向量集X、标签向量集Y进行哈希函数训练:
步骤201:随机初始化语义整合矩阵R、哈希码矩阵B、映射关系矩阵W、哈希矩阵P;
其中,RTR=Ic,Ic表示c×c的单位矩阵,c表示预设的类别数目,符号(·)T表示矩阵转置;
矩阵B=[b1,b2,…,bn]∈{-1,1}l×n表示所有训练样本哈希码构成的哈希码矩阵,l表示哈希码的长度,n表示训练样本集数量,bi∈{-1,1}1×n表示第i个样本的哈希码,i=1,2,…,n;
映射关系矩阵W表示从哈希码到监督的标签向量的映射关系矩阵,且W为l×c维的实数域矩阵;
哈希矩阵P为l×m维的实数域矩阵,其中m表示标签向量的维数;
步骤202:从训练样本的图片特征向量x中随机选择m个核:a1,a2,…,am,根据公式计算φ(x),其中x表示任意训练样本的图片特征向量,平衡系数δ的取值范围为[-1,1],m对应标签向量的维数;
步骤204:根据L=D-S构建拉普拉斯矩阵L,其中D是一个对角矩阵,S表示样本的相似度矩阵,矩阵D的第i个对角元为矩阵S的元Sij表示训练样本i、训练样本j的图片特征向量xi、xj之间的相似度,相似度Sij的计算公式为:当xi在xj的预设领域内或xj在xi的预设领域内时,否则Sij=0;其中σ的取值范围为0~1;
步骤205:对目标方程进行离散求解,迭代得到语义整合矩阵R、哈希码矩阵B、映射关系矩阵W、哈希矩阵P的最优解,所述目标方程为:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>W</mi>
<mo>,</mo>
<mi>B</mi>
<mo>,</mo>
<mi>R</mi>
</mrow>
</munder>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>R</mi>
<mi>T</mi>
</msup>
<mi>Y</mi>
<mo>-</mo>
<msup>
<mi>W</mi>
<mi>T</mi>
</msup>
<mi>B</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>W</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>B</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&beta;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>P</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&gamma;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
其中,表示矩阵的Frobenius范数,平衡参数λ、α、β、γ均为大于0的数,映射关系f是从特征空间到哈希码的哈希函数;
步骤3:基于步骤2得到的哈希矩阵P,根据公式f(x)=PTφ(x)生成各训练样本的哈希码;
步骤4:输入待检索对象的图片It,并提取得到图片特征向量xt、标签向量yt;
采用步骤202相同的方式计算当前图片的φ(xt),再基于步骤2得到的哈希矩阵P,通过公式f(xt)=PTφ(xt)生成当前图片的哈希码;
基于哈希码,在检索范围中查找出目标图像的k个最邻近图像进行检索结果返回,其中k为预设值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710253104.7A CN107346327A (zh) | 2017-04-18 | 2017-04-18 | 基于监督转移的零样本哈希图片检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710253104.7A CN107346327A (zh) | 2017-04-18 | 2017-04-18 | 基于监督转移的零样本哈希图片检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107346327A true CN107346327A (zh) | 2017-11-14 |
Family
ID=60254424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710253104.7A Pending CN107346327A (zh) | 2017-04-18 | 2017-04-18 | 基于监督转移的零样本哈希图片检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107346327A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280180A (zh) * | 2018-01-23 | 2018-07-13 | 北京航空航天大学 | 一种基于主题模型的半监督哈希算法 |
CN108763952A (zh) * | 2018-05-03 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 一种数据分类方法、装置及电子设备 |
CN109344279A (zh) * | 2018-12-12 | 2019-02-15 | 山东山大鸥玛软件股份有限公司 | 基于哈希检索的手写英文单词智能识别方法 |
US10248664B1 (en) | 2018-07-02 | 2019-04-02 | Inception Institute Of Artificial Intelligence | Zero-shot sketch-based image retrieval techniques using neural networks for sketch-image recognition and retrieval |
CN110222771A (zh) * | 2019-06-10 | 2019-09-10 | 成都澳海川科技有限公司 | 一种零样本图片的类别识别方法 |
CN110297931A (zh) * | 2019-04-23 | 2019-10-01 | 西北大学 | 一种图像检索方法 |
CN111274424A (zh) * | 2020-01-08 | 2020-06-12 | 大连理工大学 | 一种零样本图像检索的语义增强哈希方法 |
CN111460077A (zh) * | 2019-01-22 | 2020-07-28 | 大连理工大学 | 一种基于类语义引导的跨模态哈希检索方法 |
CN117390515A (zh) * | 2023-11-01 | 2024-01-12 | 江苏君立华域信息安全技术股份有限公司 | 基于深度学习和SimHash的数据分类方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069173A (zh) * | 2015-09-10 | 2015-11-18 | 天津中科智能识别产业技术研究院有限公司 | 基于有监督的拓扑保持哈希的快速图像检索方法 |
CN105512289A (zh) * | 2015-12-07 | 2016-04-20 | 郑州金惠计算机***工程有限公司 | 基于深度学习和哈希的图像检索方法 |
CN106033426A (zh) * | 2015-03-11 | 2016-10-19 | 中国科学院西安光学精密机械研究所 | 一种基于潜在语义最小哈希的图像检索方法 |
-
2017
- 2017-04-18 CN CN201710253104.7A patent/CN107346327A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033426A (zh) * | 2015-03-11 | 2016-10-19 | 中国科学院西安光学精密机械研究所 | 一种基于潜在语义最小哈希的图像检索方法 |
CN105069173A (zh) * | 2015-09-10 | 2015-11-18 | 天津中科智能识别产业技术研究院有限公司 | 基于有监督的拓扑保持哈希的快速图像检索方法 |
CN105512289A (zh) * | 2015-12-07 | 2016-04-20 | 郑州金惠计算机***工程有限公司 | 基于深度学习和哈希的图像检索方法 |
Non-Patent Citations (1)
Title |
---|
YANG YANG,YADAN LUO,等: "Zero-Shot Hashing via Transferring Supervised Knowledge", 《MM "16 PROCEEDINGS OF THE 24TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280180A (zh) * | 2018-01-23 | 2018-07-13 | 北京航空航天大学 | 一种基于主题模型的半监督哈希算法 |
CN108280180B (zh) * | 2018-01-23 | 2022-05-13 | 北京航空航天大学 | 一种基于主题模型的半监督哈希算法的检索方法 |
CN108763952A (zh) * | 2018-05-03 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 一种数据分类方法、装置及电子设备 |
US10248664B1 (en) | 2018-07-02 | 2019-04-02 | Inception Institute Of Artificial Intelligence | Zero-shot sketch-based image retrieval techniques using neural networks for sketch-image recognition and retrieval |
CN109344279A (zh) * | 2018-12-12 | 2019-02-15 | 山东山大鸥玛软件股份有限公司 | 基于哈希检索的手写英文单词智能识别方法 |
CN109344279B (zh) * | 2018-12-12 | 2021-08-10 | 山东山大鸥玛软件股份有限公司 | 基于哈希检索的手写英文单词智能识别方法 |
CN111460077B (zh) * | 2019-01-22 | 2021-03-26 | 大连理工大学 | 一种基于类语义引导的跨模态哈希检索方法 |
CN111460077A (zh) * | 2019-01-22 | 2020-07-28 | 大连理工大学 | 一种基于类语义引导的跨模态哈希检索方法 |
CN110297931A (zh) * | 2019-04-23 | 2019-10-01 | 西北大学 | 一种图像检索方法 |
CN110297931B (zh) * | 2019-04-23 | 2021-12-03 | 西北大学 | 一种图像检索方法 |
CN110222771A (zh) * | 2019-06-10 | 2019-09-10 | 成都澳海川科技有限公司 | 一种零样本图片的类别识别方法 |
CN111274424B (zh) * | 2020-01-08 | 2021-01-19 | 大连理工大学 | 一种零样本图像检索的语义增强哈希方法 |
CN111274424A (zh) * | 2020-01-08 | 2020-06-12 | 大连理工大学 | 一种零样本图像检索的语义增强哈希方法 |
CN117390515A (zh) * | 2023-11-01 | 2024-01-12 | 江苏君立华域信息安全技术股份有限公司 | 基于深度学习和SimHash的数据分类方法及*** |
CN117390515B (zh) * | 2023-11-01 | 2024-04-12 | 江苏君立华域信息安全技术股份有限公司 | 基于深度学习和SimHash的数据分类方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346327A (zh) | 基于监督转移的零样本哈希图片检索方法 | |
CN110334219B (zh) | 基于注意力机制融入文本语义特征的知识图谱表示学习方法 | |
CN106980683B (zh) | 基于深度学习的博客文本摘要生成方法 | |
CN109918532B (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
CN107729513A (zh) | 基于语义对齐的离散监督跨模态哈希检索方法 | |
CN108733837B (zh) | 一种病历文本的自然语言结构化方法及装置 | |
CN110110122A (zh) | 基于多层语义深度哈希算法的图像-文本跨模态检索 | |
CN110347847A (zh) | 基于神经网络的知识图谱补全方法 | |
CN105631479A (zh) | 基于非平衡学习的深度卷积网络图像标注方法及装置 | |
CN104317902B (zh) | 基于局部保持迭代量化哈希的图像检索方法 | |
CN112241481A (zh) | 基于图神经网络的跨模态新闻事件分类方法及*** | |
CN105469096A (zh) | 一种基于哈希二值编码的特征袋图像检索方法 | |
CN109840322A (zh) | 一种基于强化学习的完形填空型阅读理解分析模型及方法 | |
CN107766555A (zh) | 基于软约束无监督型跨模态哈希的图像检索方法 | |
CN107729312A (zh) | 基于序列标注建模的多粒度分词方法及*** | |
CN104715021A (zh) | 一种基于哈希方法的多标记学习的设计方法 | |
CN104462196A (zh) | 多特征联合哈希信息检索方法 | |
CN115409018B (zh) | 基于大数据的公司舆情监测***及其方法 | |
CN113128233B (zh) | 一种心理疾病知识图谱的构建方法及*** | |
CN106897776A (zh) | 一种基于名义属性的连续型特征构造方法 | |
CN113360582B (zh) | 基于bert模型融合多元实体信息的关系分类方法及*** | |
CN112559723A (zh) | 一种基于深度学习的faq检索式问答构建方法及*** | |
CN109740151A (zh) | 基于迭代膨胀卷积神经网络的公安笔录命名实体识别方法 | |
CN111460830A (zh) | 一种司法文本中经济事件的抽取方法及*** | |
Li et al. | Multi-label pattern image retrieval via attention mechanism driven graph convolutional network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171114 |
|
RJ01 | Rejection of invention patent application after publication |