Resumen

La mayoría de los métodos de recuperación cruzada basados en el aprendizaje de subespacios se centran únicamente en aprender las matrices de proyección que mapean diferentes modalidades a un subespacio común y prestan menos atención a la especificidad de la tarea de recuperación y a la información de clase. Para abordar estas dos limitaciones y aprovechar al máximo los datos no etiquetados, proponemos un nuevo método semisupervisado para la recuperación cruzada llamado recuperación relacionada con la modalidad basada en comapeo discriminatorio (MRRDC). Las matrices de proyección se obtienen para mapear datos multimodales en un subespacio común para diferentes tareas. En el proceso de aprendizaje de la matriz de proyección, se introduce una restricción de discriminante lineal para preservar la información de clase original en diferentes espacios modales. Se presenta un algoritmo de optimización iterativo basado en la propagación de etiquetas para resolver las formulaciones conjuntas propuestas. Los resultados experimentales en varios conjuntos de datos demuestran la superioridad de nuestro método en compar

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Métodos de recuperación cruzada de modalidades; Aprendizaje de subespacios; Matrices de proyección; Subespacio común; Especificidad de la tarea de recuperación; Información de clase
• Keywords:Cross-modal retrieval methods; Subspace learning; Projection matrices; Common subspace; Retrieval task specificity; Class information