基于结构保持特性的支持向量机分类与哈希检索方法研究

发布时间：2020-03-18 06:22

【摘要】：随着大数据时代的到来,数据规模的增大和类别的增多给信息的分类和检索带来了巨大的挑战。由于数据的结构保持特性对提升分类和检索的性能至关重要,基于此,本文研究了如何利用结构保持特性提升经典的支持向量机分类和哈希检索方法的性能,所取得的研究成果如下:针对于广义特征值近似支持向量机算法(GEPSVM)没有充分考虑类内和类间关系的缺点,提出了一种边界局部结构保持的支持向量机方法(BLPD-GEPSVM),通过引入结构保持矩阵模型,定义了权值矩阵,使得在同一类数据之间的距离最小化,不同类数据的距离最大化,这样能够保证类内信息尽可能的保持,而使类间的距离尽可能的区分开来。BLPD-GEPSVM方法不仅提升了复杂交叉数据分类的准确率,并且在多个数据集上的实验验证了所提方法相比传统方法具有更优的分类效果。针对现有的有监督离散哈希方法(SDH)忽略了单模态数据中类内和类间结构信息的问题,提出了基于图约束的离散哈希单模态检索方法(GCDH)。在SDH方法基础上,GCDH引入图约束,构建类内固有图,使得同一类数据之间的距离最小化,同时构建类间惩罚图,对不同类的数据之间的距离加以惩罚。进一步通过子空间投影,使得投影后同一类数据更加紧凑,不同类数据尽可能远离。实验结果表明,通过图约束的引入,数据类内结构得到了保持,类间判别信息得到增强,从而提高了检索精度。针对离散跨模态哈希方法(DCH)不能保证两模态数据投影后嵌入空间相一致的缺陷,本文提出了基于子空间嵌入哈希方法(ESCH)。该方法在DCH模型基础上,额外增加了一层嵌入空间,来保持不同模态数据的一致性,然后通过二次投影,使得该空间再投影到汉明空间中,进而与类标信息联系起来,增强了线性分类的判别性。针对提出的基于子空间嵌入的哈希方法没有考虑模态中同类数据和不同类数据相关性问题,提出了基于子空间嵌入的结构保持哈希方法(ESSPH)。通过引入判别典型相关分析模型,使得同一类数据的相关性最大,不同类数据的相关性最小,从而较好的兼顾了各模态数据的结构信息,生成的哈希码达到了结构保持的效果。
【图文】：

百度,哈希,模态,图片

3图 1.1 为跨模态检索案例，，表示以文本检索出相应的图片。图1.1 跨模态检索案例（图片来源百度）单模态哈希检索方法分为随机投影哈希检索方法和学习哈希检索方法。在随机投影哈希检索方法中，最典型的是局部敏感哈希[26]（Locality-Sensitive Hashing，LSH）算法，它是 Gionis 在 1999 年提出的算法，该算法利用随机线性投影将欧式空间中相近的数据点映射成相似的哈希码，从理论上保证了随着哈希码长度的增加，两个哈希码之间的汉明距离将会接近原始数据的欧氏距离。随后在 2009 年，Kulis 和 Grauman提出了核化局部敏感哈希算法[27]（KLSH），被用于大规模图像检索和分类当中。然而这两种随机投影哈希检索方法为了保证检索精确度

一般框架,模态

4般框架。图1.2 跨模态检索一般框架在真值表示的学习中，又分为监督型学习和非监督型学习，在非监督型学习中，典型相关分析[31]（CCA）是一种最经典的非监督子空间学习方法，它是主成分分析方法[32]（PCA）的跨模态扩展。它从不同模态的数据中建立起模态之间的联系。这一方法被广泛用于跨媒体检索、跨语言检索和一些视觉问题上。典型相关分析通过最大化两个模态之间的相关性来达到学习一个共同子空间的目的。而学习到的这个子空间可以用来衡量不同模态特征的相似性。除了经典相关分析，偏最小二乘法[33]（PLS）和双线性模型[34]（BLM）也被用来跨模态检索，Sharma 和 Jacobs 使用 PLS 将不同模态的图片信息线性映射到一个共同的线性子空间，在这子空间里它们是高度相关的。陈永明等人将 PLS 运用到跨模态文本检索中，他们将图片特征转换到文本空间中，然后学习一个语义空间来衡量两个不同模态之间的相似性。在 2000 年，Tenenbaum 和Freeman 提出双线性模型
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.3;TP181

【相似文献】