Resumen

Recientemente, aprovechando la eficiencia de almacenamiento y recuperación del hashing y la potente capacidad de extracción de características discriminatorias de las redes neuronales profundas, la recuperación del hashing profundo intermodal ha atraído cada vez más atención. Para preservar las similitudes semánticas de las instancias intermodales durante el procedimiento de asignación de hash, la mayoría de los métodos de hashing profundo intermodal existentes suelen aprender redes de hashing profundo con una pérdida por pares o una pérdida por tripletes. Sin embargo, estos métodos pueden no explorar completamente la relación de similitud entre modalidades. Para resolver este problema, en este artículo introducimos una pérdida cuádruple en el hashing profundo multimodal y proponemos un método de hashing profundo multimodal basado en cuádruple (denominado QDCMH). Experimentos exhaustivos en dos conjuntos de datos de recuperación intermodal de referencia muestran que nuestro método propuesto alcanza el rendimiento más avanzado y demuestran la eficacia de la pérdida cuádruple en el hashing intermodal.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:hashing modal, pérdida cuádruple, red de hashing profundo, red neuronal profunda, eficiencia del hashing, métodos, procedimientos de mapeo de hash, conjuntos de datos de recuperación modal, capacidades de extracción de características, pérdida por pares
• Keywords:modal hashing, quadruplet loss, deep hashing network, deep neural network, efficiency of hashing, methods, hash mapping procedures, modal retrieval datasets, features extraction capabilities, pairwise loss