跨模态哈希的监督矩阵分解
信息检索
2016-04-19 v5
摘要
矩阵分解最近被用于跨模态视觉搜索的多模态哈希任务，其中学习基函数将不同模态的数据映射到相同的汉明嵌入(Hamming embedding)。在本文中，我们提出一种新颖的跨模态哈希算法，称为监督矩阵分解哈希(Supervised Matrix Factorization Hashing, SMFH)，它通过跨不同模态的集体非矩阵分解来解决多模态哈希问题。特别地，SMFH采用精心设计的二进制码学习算法，通过图正则化(graph regularization)来保持多模态原始特征之间的相似性。同时，当可用时，语义标签被纳入学习过程。我们推测这些都将有助于在二进制量化过程中保留最相关的信息，从而提高检索精度。我们在三个跨模态视觉搜索基准上展示了SMFH的优越性能，即PASCAL-Sentence、Wiki和NUS-WIDE，并与各种 state-of-the-art 方法进行了定量比较。
引用
@article{arxiv.1603.05572,
title = {Supervised Matrix Factorization for Cross-Modality Hashing},
author = {Hong Liu and Rongrong Ji and Yongjian Wu and Gang Hua},
journal= {arXiv preprint arXiv:1603.05572},
year = {2016}
}
备注
7 pages, 4 figures