跨媒体语义共享子空间学习理论与方法研究

发布时间：2017-06-21 03:06

  本文关键词：跨媒体语义共享子空间学习理论与方法研究，，由笔耕文化传播整理发布。

【摘要】：随着信息技术的快速发展,现实世界中不断涌现着大量的跨媒体数据。所谓跨媒体数据是指那些表达的内容相似,但以不同模态、不同来源、不同背景等形式出现的数据。比如,一张描述花豹的网页通常采用共生的图片和文本等不同的模态刻画花豹的外形和习性。跨媒体数据通常呈现出底层特征异构、高层语义相关的特性。传统的单媒体学习方法已无法适应跨媒体数据的特征异构性。不同于单媒体学习,跨媒体学习在学习过程中能够度量不同模态的媒体对象之间的相关性,以实现不同模态间的灵活跨越。因此,开展跨媒体学习相关理论与方法的研究具有重要的理论意义和应用价值。 本文从跨媒体对象的底层特征出发,对跨媒体共享子空间学习中的若干相关问题进行了研究。研究内容包括：跨媒体数据的一致性描述、子空间的增量学习、缺失模态补全等。本文主要的创新性研究成果包括： (1)提出了一种挖掘跨媒体数据语义一致模式的通用框架。该框架首先使用一种全新的同构相关冗余变换算法构建不同模态间的高维同构空间,以此捕捉更多不同模态间的互补信息;并提出了一种基于相关性的联合特征学习模型,以提取特征同构描述之间共享的高层语义子空间。在此基础上所建立的跨媒体数据的一致性描述,在分类和检索性能上能够比现有的同类方法获得将近14%的增益。 (2)提出了一种适用于多标签图像分类的增量共享子空间学习方法。通过利用提出的增量无损矩阵分解算法,该方法能够增量地执行而无需使用原始已存在的数据,避免了提取共享子空间过程中的高计算复杂度,并且没有降低算法的分类性能。与其它非增量的共享子空间学习方法相比,该方法将计算时间降低了大约1个数量级且没有降低预测性能。 (3)提出了一种补全跨媒体数据缺失模态的通用框架。该框架首先使用一种全新的同构线性相关分析方法,将跨媒体数据线性地映射到一个特征同构空间,以此捕捉不同模态间的语义互补性和等同分布;同时,遵从鲁棒PCA的思想,为了完成缺失模态的补全,提出了一种等同分布约束模型,以充分利用基于等同分布约束的大边缘策略。在此基础上所恢复的跨媒体数据缺失模态的描述,在分类性能上能够比现有的同类方法获得将近20%的增
【关键词】：跨媒体 异构数据 共享子空间 增量学习 维度缩减 数据补全
【学位授予单位】：北京交通大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.1
【目录】：

• 致谢5-6
• 中文摘要6-7
• ABSTRACT7-13
• 主要符号对照表13-16
• 1 绪论16-28
• 1.1 跨媒体的基本概念与研究意义17-20
• 1.2 跨媒体学习的相关方法20-24
• 1.2.1 协同训练21-22
• 1.2.2 多核学习22-23
• 1.2.3 子空间学习23-24
• 1.3 论文的主要贡献24-25
• 1.4 论文的符号说明25-26
• 1.5 论文的内容安排26-28
• 2 共享子空间学习综述28-42
• 2.1 基于投影的共享子空间学习方法28-33
• 2.1.1 典型相关分析法28-29
• 2.1.2 偏最小二乘分析法29-30
• 2.1.3 核典型相关分析法30-31
• 2.1.4 深度典型相关分析法31-33
• 2.2 基于矩阵分解的共享子空间学习方法33-35
• 2.2.1 基于非负矩阵分解的共享子空间学习33-34
• 2.2.2 基于特征分解的共享子空间学习34-35
• 2.3 基于任务的共享子空间学习方法35-38
• 2.3.1 基于多任务学习的共享子空间学习35-36
• 2.3.2 基于多标签学习的共享子空间学习36-37
• 2.3.3 基于多类学习的共享子空间学习37-38
• 2.4 基于度量的共享子空间学习方法38-41
• 2.4.1 基于欧式距离度量的共享子空间学习39-40
• 2.4.2 基于马氏距离度量的共享子空间学习40-41
• 2.5 本章小结41-42
• 3 跨媒体数据语义一致模式的挖掘42-62
• 3.1 问题描述42-43
• 3.2 发现跨媒体数据的语义一致模式43-53
• 3.2.1 挖掘跨媒体数据语义一致模式的框架43-45
• 3.2.2 构建不同模态间的特征同构空间45-49
• 3.2.3 IRRT和CCA的区别49
• 3.2.4 挖掘同构描述的语义一致性49-53
• 3.3 实验结果和分析53-60
• 3.3.1 数据集53-54
• 3.3.2 实验设置54-55
• 3.3.3 单一和整合模态的比较55
• 3.3.4 PLS,CCA,KCCA和IRRT的评估55-56
• 3.3.5 IRRT和CJFL的分析56-57
• 3.3.6 迹率算法的比较57
• 3.3.7 共享子空间学习算法的对比57-58
• 3.3.8 跨媒体检索性能的分析58-59
• 3.3.9 IRRT和CJFL的参数敏感度59-60
• 3.4 本章小结60-62
• 4 增量共享子空间学习62-78
• 4.1 问题描述62-64
• 4.2 SSLMC算法概述64-66
• 4.3 多标签分类的增量共享子空间学习66-70
• 4.3.1 增量无损矩阵分解66-68
• 4.3.2 ISSLMC算法68
• 4.3.3 计算复杂度分析68-70
• 4.4 实验评估70-76
• 4.4.1 实验设置70-71
• 4.4.2 实验A：大样本问题的性能评估71-73
• 4.4.3 实验B：小样本问题的性能评估73-76
• 4.5 本章小结76-78
• 5 跨媒体数据缺失模态的补全78-98
• 5.1 问题描述78-81
• 5.2 补全跨媒体数据缺失模态的框架81-86
• 5.2.1 提出框架的概述81-83
• 5.2.2 同构线性相关分析83-84
• 5.2.3 等同分布约束补全84-86
• 5.3 提出框架的解法86-89
• 5.3.1 问题Ψ_1解法86-87
• 5.3.2 问题Ω_2的解法87-89
• 5.4 实验结果和分析89-96
• 5.4.1 数据集90-92
• 5.4.2 实验设置92
• 5.4.3 单一和整合模态的评估92
• 5.4.4 OPLS,CCA和ILCA的比较92-93
• 5.4.5 示和隐式投影的分析93-94
• 5.4.6 补全算法的比较94-95
• 5.4.7 ILCA和IDPC的参数敏感度95-96
• 5.5 本章小结96-98
• 6 总结与展望98-100
• 6.1 论文总结98-99
• 6.2 工作展望99-100
• 参考文献100-110
• 作者简历及攻读博士学位期间取得的研究成果110-114
• 学位论文数据集114

【参考文献】

中国博士学位论文全文数据库 前10条

1 郭戈;数字视频语义信息提取与分析[D];解放军信息工程大学;2010年

2 黄东山;特征选择及半监督分类方法研究[D];华中科技大学;2011年

3 张博锋;面向内容安全的文本分类研究[D];国防科学技术大学;2007年

4 温静;基于张量子空间学习的视觉跟踪方法研究[D];西安电子科技大学;2010年

5 曾璞;面向语义提取的图像分类关键技术研究[D];国防科学技术大学;2009年

6 孙元;多媒体语义检索关键问题研究[D];吉林大学;2010年

7 渐令;基于核的学习算法与应用[D];大连理工大学;2012年

8 孙统风;基于多尺度与子空间的图像融合和识别研究[D];中国矿业大学;2012年

9 陈晓红;数据降维的广义相关分析研究[D];南京航空航天大学;2011年

10 闫乐林;基于视听信息的视频语义分析与检索技术研究[D];北京邮电大学;2012年

  本文关键词：跨媒体语义共享子空间学习理论与方法研究，由笔耕文化传播整理发布。

本文编号：467497