Resumen

El método de hashing multimodal puede convertir datos multimodales heterogéneos en un código binario compacto que conserva la similitud semántica, lo que puede mejorar significativamente la conveniencia de la recuperación multimodal. Sin embargo, los métodos de hashing multimodal supervisados disponibles en la actualidad generalmente sólo factorizan la matriz de etiquetas y no explotan plenamente la información supervisada. Además, estos métodos suelen utilizar un mapeo unidireccional, lo que da lugar a un proceso de aprendizaje de hash inestable. Para abordar estos problemas, proponemos un nuevo método de aprendizaje de hash supervisado entre modalidades, denominado Discrete Two-step Cross-modal Hashing (DTCH), mediante la explotación de las relaciones entre pares. En concreto, este método explota por completo las relaciones de similitud por pares contenidas en la información de supervisión: para la matriz de etiquetas, el proceso de aprendizaje de hash se estabiliza combinando la factorización de la matriz y la regresión de etiquetas; para la matriz de similitud por pares, se adopta una estrategia semirelacionada y semidiscreta para reducir potencialmente los errores de cuantificación acumulativos al tiempo que se mejora la eficiencia y la precisión de la recuperación. El enfoque combina además una exploración de características de grano fino en la función objetivo con una novedosa estrategia de extensión fuera de la muestra para permitir la preservación implícita de la consistencia entre las diferentes distribuciones modales de las muestras y las relaciones de similitud por pares. La superioridad de nuestro método se verificó mediante amplios experimentos con dos conjuntos de datos ampliamente utilizados.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:proceso de aprendizaje hash, relaciones de similitud por pares, matriz de etiquetas, métodos, matriz de similitud por pares, nuevo cruce supervisado, estrategia de extensión de la muestra, exploración de la multa, distribución de la muestra, métodos de aprendizaje hash
• Keywords:hash learning process, pairwise similarity relations, label matrix, methods, pairwise similarity matrix, new supervised cross, sample extension strategy, exploration of fine, distribution of sample, hash learning methods