用于跨模态相似性检索的锚图结构融合哈希
计算机视觉与模式识别
2022-02-10 v1 信息检索
摘要
跨模态哈希仍有一些挑战需要解决：(1) 大多数现有的跨模态哈希（CMH）方法以图作为输入来建模数据分布，这些方法忽略了考虑多种模态间图结构的相关性；(2) 大多数现有的 CMH 方法忽略考虑多模态数据间的融合亲和力；(3) 大多数现有的 CMH 方法放宽离散约束以求解优化目标，显著降低了检索性能。为解决上述局限，我们提出了一种新颖的锚图结构融合哈希（AGSFH）。AGSFH 利用 Hadamard 积从多模态的不同锚图构建锚图结构融合矩阵，从而充分挖掘底层数据结构的几何特性。基于锚图结构融合矩阵，AGSFH 尝试直接学习一个内在锚图，其中内在锚图的结构被自适应调整，使得内在图的连通分量数量恰好等于聚类数。此外，AGSFH 将锚融合亲和力保留到共同的二进制汉明空间中。进一步地，设计了一个离散优化框架来学习统一的二进制编码。在三个公开社交数据集上的大量实验结果证明了 AGSFH 的优越性。
引用
@article{arxiv.2202.04327,
title = {Anchor Graph Structure Fusion Hashing for Cross-Modal Similarity Search},
author = {Lu Wang and Jie Yang and Masoumeh Zareapoor and Zhonglong Zheng},
journal= {arXiv preprint arXiv:2202.04327},
year = {2022}
}