注意力感知深度跨模态哈希方法研究

发布时间：2023-11-24 23:30

　　从生产到生活,从制造到服务,从工业到金融商贸,大数据时代的大门已经开启并悄然改变着这个世界。在互联网上每日会产生海量的数据,以多种多样的表现形式呈现出来,如文本,图像,视频,音频等等,这极大的丰富了我们生活。与此同时大规模数据的高效存储和快速检索也作为一项极具挑战性的任务得到人们的广泛关注。哈希方法能够将高维的样本特征映射成紧凑的低维二进制哈希码,具备存储消耗低和检索速度快的特点,因而成为了解决大规模媒体数据检索问题的一个重要方法。当前深度学习技术飞速发展,以强大的特征提取能力为多个领域所采用,深度学习的提出弥补了手工特征提取方式的笨拙同时能够得到抽象高效的特征表示,从而有很多学者提出将深度学习和跨模态哈希方法相结合从而提高检索效果。然而近年来提出的许多深度跨模态哈希模型依旧存在些许不足之处:通常,现实世界中的数据是不完善的,并且具有或多或少的冗余性,这使得跨模式检索任务具有挑战性。但是,大多数现有的跨模态哈希方法无法处理冗余,从而导致在上述数据集的性能无法令人满意。以图像和文本模态为例,很多方法未考虑原始数据样本集中的图像内容的丰富性,仅以整张图片作为一个整体输入网络提取特征进而学习...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 无监督单模态哈希方法
        1.2.2 有监督单模态哈希方法
        1.2.3 无监督的跨模态哈希方法
        1.2.4 监督跨模态哈希方法
        1.2.5 基于注意力机制的方法
    1.3 本文主要工作
    1.4 本文组织结构
第2章 注意力感知深度跨模态哈希方法
    2.1 概述
    2.2 TEACH算法
        2.2.1 符号定义
        2.2.2 特征提取网络
        2.2.3 哈希码学习
        2.2.4 全局目标函数
    2.3 优化过程
    2.4 新样本拓展
    2.5 本章小结
第3章 模型性能验证与分析
    3.1 数据集
    3.2 对比方法和评价标准
    3.3 实验环境设置
    3.4 实验结果与分析
        3.4.1 MAP结果比较
        3.4.2 PR曲线
        3.4.3 消融实验
        3.4.4 参数敏感性分析
        3.4.5 时间消耗分析
    3.5 本章小结
第4章 总结与展望
    4.1 总结
    4.2 展望
参考文献
致谢
攻读学位期间发表的学术论文目录
学位论文评阅及答辩情况表



本文编号：3866814