...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Advanced Computatioanl Intelligence and Intelligent Informatics >Cross-Media Retrieval Based on Query Modality and Semi-Supervised Regularization
【24h】

Cross-Media Retrieval Based on Query Modality and Semi-Supervised Regularization

机译：基于查询模态和半监控正则化的跨媒检索

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Existing cross-media retrieval methods usually learn one same latent subspace for different retrieval tasks, which can only achieve a suboptimal retrieval. In this paper, we propose a novel cross-media retrieval method based on Query Modality and Semi-supervised Regularization (QMSR). Taking the cross-media retrieval between images and texts for example, QMSR learns two couples of mappings for different retrieval tasks (i.e. using images to search texts (Im2Te) or using texts to search images (Te2Im)) instead of learning one couple of mappings. QMSR learns two couples of projections by optimizing the correlation between images and texts and the semantic information of query modality (image or text), and integrates together the semi-supervised regularization, the structural information among both labeled and unlabeled data of query modality to transform different media objects from original feature spaces into two different isomorphic subspaces (Im2Te common subspace and Te2Im common subspace). Experimental results show the effectiveness of the proposed method.
机译：现有的跨媒体检索方法通常为不同的检索任务学习一个相同的潜在子空间，这只能实现次优检索。在本文中，我们提出了一种基于查询模态和半监控正则化（QMSR）的新型跨媒检索方法。以图像和文本之间的跨媒检索，例如，QMSR为不同的检索任务学习两对映射（即使用图像搜索文本（IM2TE）或使用文本以搜索图像（TE2IM））而不是学习一对映射。 QMSR通过优化图像和文本之间的相关性以及查询模态（图像或文本）之间的相关性以及集成半监控正则化，将标记和未标记的查询模型数据之间的结构信息一起学习两对投影耦合原始特征空间的不同媒体对象分为两个不同的同义子空间（IM2TE常见子空间和TE2IM常见子空间）。实验结果表明了该方法的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号