任务自适应非对称深度跨模态哈希
信息检索
2022-03-22 v2 机器学习
摘要
有监督跨模态哈希旨在将异构模态数据的语义相关性嵌入到具有判别性语义标签的二进制哈希码中。凭借其在检索与存储效率上的优势，它被广泛应用于解决高效的跨模态检索。然而，现有研究同等处理跨模态检索的不同任务，并简单地以对称方式为它们学习同一对哈希函数。在此情形下，不同跨模态检索任务的独特性被忽略，并可能带来次优性能。受此启发，本文提出一种任务自适应非对称深度跨模态哈希（TA-ADCMH）方法。它可通过同步的模态表示与非对称哈希学习，为两个子检索任务学习任务自适应哈希函数。与以往跨模态哈希方法不同，我们的学习框架联合优化语义保持（将多媒体数据的深度特征转换为二进制哈希码）与语义回归（直接将查询模态表示回归至显式标签）。借助我们的模型，二进制码能有效保持跨模态的语义相关性，同时自适应捕获查询语义。TA-ADCMH 的优越性在两个方面标准数据集上得到验证。
引用
@article{arxiv.2004.00197,
title = {Task-adaptive Asymmetric Deep Cross-modal Hashing},
author = {Fengling Li and Tong Wang and Lei Zhu and Zheng Zhang and Xinhua Wang},
journal= {arXiv preprint arXiv:2004.00197},
year = {2022}
}