检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

3 篇 学位论文

馆藏范围

3 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

3 篇 工学
- 3 篇 计算机科学与技术...
- 3 篇 软件工程

主题

3 篇 跨模态检索
3 篇 单模态检索
2 篇 多媒体检索
2 篇 哈希技术
1 篇 相似度查找
1 篇 成对哈希
1 篇 图哈希
1 篇 深度哈希
1 篇 离散优化
1 篇 典型相关分析
1 篇 哈希学习

机构

2 篇 国防科技大学
1 篇 广东工业大学

作者

1 篇 董国华
1 篇 秦建阳
1 篇 谷雪松

语言

3 篇 中文

检索条件"主题词=单模态检索"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

单模态与跨模态检索哈希技术研究

单模态与跨模态检索哈希技术研究

引用

作者：董国华国防科技大学

学位级别：博士

随着计算机技术、多媒体存储技术的发展,人们的生活中充斥着海量多媒体数据,这些多媒体数据包括图像、文本、语音、视频等不同的模态。面对海量多模态数据,如何快速、有效的从中检索出感兴趣信息,是一项亟待解决的重要问题。单模态检索... 详细信息

随着计算机技术、多媒体存储技术的发展,人们的生活中充斥着海量多媒体数据,这些多媒体数据包括图像、文本、语音、视频等不同的模态。面对海量多模态数据,如何快速、有效的从中检索出感兴趣信息,是一项亟待解决的重要问题。单模态检索与跨模态检索是解决多模态数据检索的重要研究方向。哈希技术因其低存储消耗、高检索速度成为海量数据检索的研究热点,在单模态与跨模态检索研究领域得到广泛的研究与发展。本文研究单模态与跨模态检索哈希技术,通过分析现有单模态与跨模态检索哈希技术的不足,提出新模型、新方法。现有单模态检索哈希方法大多关注相似性学习或者量化误差最小化,很少有直接针对特征判别性的研究。针对特征判别性,本文分别从传统浅层方法与最近大热的深度学习方法出发,提出浅层的基于仿射变换的离散图哈希模型及深层的基于判别几何结构的深度非对称哈希模型。跨模态检索的难点在于如何弥补不同模态间的“语义鸿沟”,为解决该问题,本文分别从共同空间学习、标签指导及模态数据语义一致性三个层面提出协同子空间图哈希、标签指导相关哈希及跨模态样本-类语义一致哈希。多个公开数据集上的数值实验结果验证了本文所提方法与最相关方法相比的优越性与有效性。本文创新点如下:(1)提出一种基于仿射变换的离散图哈希方法,该方法使用联合学习策略,使图嵌入与哈希码的学习过程相互反馈、相互促进;引入仿射变换,使算法在保持邻域关系的基础上,调整图嵌入的角度及其内部结构以使其更具判别性。三个基准数据集上的图像检索实验证明了ADGH的优越性。(2)提出一种基于判别几何结构的深度非对称哈希方法,该方法定义了一种可解释的几何结构来提高深度实值特征的判别能力,同时以一种新的方式减少深度实值特征与二值哈希码之间的量化误差。四个常用数据集上的图像检索实验证明了DGADH的有效性及优越性。(3)提出协同子空间图哈希方法,该方法通过设计两阶段协同学习框架来实现跨模态检索,这种协同学习的方式充分考虑了多模态特征的多样性及跨模态检索的特征一致性。此外,所提方法分别通过拉普拉斯正则化和图相关约束来保持模态内部的邻域结构及跨模态数据的相关性。四个常用数据集上的跨模态检索实验证明了CSGH的有效性。(4)为将标签信息引入到哈希码及哈希函数学习过程中,提出一种标签指导相关哈希方法。该方法从以下两方面提出新的标签信息利用方式:1)使用标签指导学习模态通用的判别性共同隐表示;2)引入一种自适应参数来有效融合共同隐表示和标签指导表示,基于融合表示生成哈希码、训练哈希函数,从而将标签信息引入哈希码与哈希函数的学习过程。三个不同多媒体数据集上的跨模态检索实验表明,LGCH算法的检索性能优于当前表现较好的方法。(5)引入样本-类间的相似性关系,提出跨模态样本-类语义一致哈希模型,该模型通过计算样本与类之间的相似性来保持样本哈希码与类特征的语义一致性,可节省计算开销。此外,所提模型通过保持不同模态样本、类特征、共享哈希码间的语义关系,沟通不同模态间的语义鸿沟,保持模态数据语义一致性。三个常用数据集上的跨模态检索实验证明了CSSH与其他方法相比的优越性。

关键词：多媒体检索单模态检索跨模态检索哈希技术图哈希深度哈希典型相关分析成对哈希

来源：评论

学校读者我要写书评

暂无评论

基于哈希方法的单模态和跨模态检索技术研究

基于哈希方法的单模态和跨模态检索技术研究

引用

作者：谷雪松国防科技大学

学位级别：硕士

在如今数字信息时代,文字、图像、视频、音频等多媒体数据充斥整个互联网。如何有效管理、分析这些数据具有一定挑战性,这是因为多媒体数据是异质的,即它们的属性、特点皆异。这促进单类型数据（单模）和多类型数据（跨模态和多模态）... 详细信息

在如今数字信息时代,文字、图像、视频、音频等多媒体数据充斥整个互联网。如何有效管理、分析这些数据具有一定挑战性,这是因为多媒体数据是异质的,即它们的属性、特点皆异。这促进单类型数据（单模）和多类型数据（跨模态和多模态）分析处理技术的出现和快速发展。其中,检索技术是一类典型数据分析处理技术。近期基于哈希方法的单模态或跨模态检索技术成为该图像-文本领域的主流研究内容。单模态检索中查询数据与数据库中的数据属于相同的模态,而跨模态检索是指从包含除查询数据模态之外还有其他模态的数据库中检索出相关信息。哈希方法能够高维度数据映射到低维度的汉明空间中,具有存储消耗小、计算高效等优点。为适应当今社会对大规模数据的检索需求,基于哈希方法的检索技术受到广泛关注。尽管现有检索技术蓬勃发展,但它们仍存在一定局限性。在单模态哈希检索中,保证鲁棒性仍然存在两类的困难:1)鲁棒性度量,如M估计子,假设噪音服从特定分布,无法直接应用于离散哈希码;2)直接去除原始数据噪音很容易损害数据邻域结构。此外,跨模态哈希检索仍然面临“语义鸿沟”问题,特别是在有监督情况下,模态间语义表达和标签语义结构并不能保证是一致的。为了解决上述两类问题,本文主要工作为:1)为增强哈希码对数据噪音的鲁棒性,本文提出了一种单模态哈希检索技术,即对偶图正则鲁棒哈希方法（dual–graph regularized robust hashing,DGRH）。不同于现有鲁棒哈希方法,该方法直接使用M-估计子去除数据集中的异常值来保证哈希码的鲁棒性。具体来说,DGRH期望通过l1范数从含有噪音的数据中恢复原始数据的低秩表达,同时利用对偶图正则来保留样本之间的近邻关系,最终利用恢复的干净数据来学习哈希函数。此外,本文通过理论分析证明了哈希码的鲁棒性,实验结果也证明DGRH在三个常用的基准数据集上可以取得较好的效果。2)为了缩小跨模态检索方法中的“语义鸿沟”,本文提出了一种跨模态哈希检索技术,即基于语义一致性的跨模态哈希方法（semantic-consistent cross-modal hashing,SCCH）。该方法利用标签信息的监督性,将显式的语义标签嵌入到公共的潜在空间中,以此来保证学到的潜在语义表达和标签具有相同的语义一致性。为了保持样本一致性和类语义一致性,SCCH将样本的每个模态数据都映射到相同的潜在公共子空间中,对每个模态学习一个单独的哈希函数,并通过旋转变换使类潜在语义表达和样本哈希码潜在表示在语义表达上是一致的。为了减小了由于将实数值近似表达二值码而产生的量化误差,SCCH通过一个旋转矩阵将公共的潜在语义表示映射到哈希空间,进而直接学习得到哈希码。此外,本文使用了一种高效的迭代优化算法对SCCH模型进行了求解。实验表明,相比较其他具有代表性的方法,SCCH在两个常用的多模态数据集上具有优越性。

关键词：多媒体检索单模态检索跨模态检索哈希技术

来源：评论

学校读者我要写书评

暂无评论

近似最近邻大数据检索哈希散列方法研究

近似最近邻大数据检索哈希散列方法研究

引用

作者：秦建阳广东工业大学

学位级别：硕士

随着互联网的出现,网络上的海量数据在数据规模和特征维度两方面都快速增长。如何挖掘数据之间的关联性并从大量数据中寻找相似信息是一个极具挑战性的问题。哈希散列方法通过快速查找近似邻近数据而非精准邻近结果成为相似度搜索主要技... 详细信息

随着互联网的出现,网络上的海量数据在数据规模和特征维度两方面都快速增长。如何挖掘数据之间的关联性并从大量数据中寻找相似信息是一个极具挑战性的问题。哈希散列方法通过快速查找近似邻近数据而非精准邻近结果成为相似度搜索主要技术,并逐渐成为解决大规模数据检索问题的重要技术手段。哈希检索技术可划分成两类,即单模态哈希检索和跨模态哈希检索。单模态哈希检索旨在面向单一模态数据（如图像）利用相似性度量手段寻找距离相近的数据并返回检索结果。跨模态哈希检索旨在面向多类型模态数据挖掘不同空间下的数据内在异构相似性,从而允许使用某一模态数据（如图像）查询其他模态的邻近数据（如文本）,为用户提供多样化的检索结果。本文针对上述两类哈希检索技术从相似度度量、损失函数、离散学习、外样本学习等多个方面深入研究并探讨如何设计高效的哈希检索算法,主要工作包含如下内容:针对传统基于图学习的哈希方法难以有效进行特征选择的问题,提出一种无监督型稀疏图自适应学习的单模态哈希检索方法。利用聚类方法构造描述数据相似性的拉普拉斯图模型,并使用重加权1范数对图模型进行稀疏约束,从而自适应选择稀疏和判别性的流形结构特征用于数据的相似性度量;然后,使用线性回归方法将流形结构特征量化为紧凑的二进制代码。实验结果验证了该方法在特征学习方面的优势。针对子空间学习缺乏语义判别性的问题,提出一种监督型离散语义矩阵分解的跨模态哈希检索方法。首先将标签信息嵌入协同矩阵分解模型,获得具有语义判别性的异构数据协同子空间;然后,将协同矩阵分解模型转化为离散学习模型,获得紧凑的二进制代码,同时学习相应的哈希函数;最后,采用一种交替迭代的逐位求解方法,有效地优化目标函数的离散解。所提出的方法在多个公开数据集上均能获得更高的检索精度。针对哈希代码的异构语义学习和离散优化难点,提出一种监督型可扩展判别性离散学习的跨模态哈希检索方法。通过在正交且平衡的协同矩阵分解获得异构数据的二进制表示,充分挖掘不同模态数据的局部流形结构和异构相似性;然后,利用回归模型将标签的类内相似性和类间差异性信息嵌入哈希代码。区别于传统哈希方法逐位优化离散代码,该方法直接学习哈希代码的全部编码位,大幅提升了离散优化效率。最后,通过理论推导和实验结果验证了该方法在异构特征学习和离散优化速度方面的优异性。基于协同子空间学习的哈希方法通常忽略了不同模态数据的内在特性。为了克服这一问题,提出一种监督型联合特性和一致性学习的跨模态哈希检索方法。通过正交且平衡的矩阵分解学习每种模态数据的特定表示,以充分保持模态内相似性;其次,引入一种非对称的距离-距离差异最小化学习模型,以有监督方式充分捕获多特定模态表示之间的模态间相似性;然后,通过联合标签信息和多个特定模态表示将异构数据的特定信息和一致信息嵌入汉明空间;最后,采用一种交替迭代的优化方法高效地求解目标函数,有效降低优化过程的计算时间和存储需求。实验结果表明,该方法在检索精准度和训练时间上均获得优异的性能。综上所述,本文系统地对两种类型的哈希检索技术进行研究,并从多个方面针对不同模态数据设计相应的哈希特征学习和检索方法。同时,本文在多个公开数据集上进行了大量的对比实验,充分验证了本文所提出的哈希检索方法的有效性和高效性。

关键词：哈希学习单模态检索跨模态检索相似度查找离散优化

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：