Resumen

En los últimos años, con la explosión de datos multimedia procedentes de los motores de búsqueda, las redes sociales y las plataformas de comercio electrónico, existe una necesidad urgente de contar con métodos de recuperación rápida para los big data masivos. El hashing se utiliza ampliamente en la búsqueda de datos a gran escala y de alta dimensión debido a su bajo coste de almacenamiento y su rápida velocidad de consulta. Gracias al gran éxito del aprendizaje profundo en muchos campos, el método de aprendizaje profundo se ha introducido en la recuperación de hash, y utiliza una red neuronal profunda para aprender las características de la imagen y los códigos de hash simultáneamente. En comparación con los métodos de hashing tradicionales, tiene un mejor rendimiento. Sin embargo, los métodos de hashing profundo existentes tienen algunas limitaciones; por ejemplo, la mayoría de los métodos consideran sólo un tipo de pérdida supervisada, lo que conduce a una utilización insuficiente de la información supervisada. Para solucionar este problema, en este trabajo proponemos un método de hashing profundo de tripletes con pérdida supervisada conjunta basado en la red neuronal convolucional (JLTDH). El método propuesto JLTDH combina la pérdida de probabilidad del triplete y la pérdida de clasificación lineal; además, se adopta la etiqueta supervisada del triplete, que contiene información supervisada más rica que la de las etiquetas puntuales y por pares. Al mismo tiempo, para superar el aumento cúbico del número de tripletas y hacer más eficaz el entrenamiento de las mismas, adoptamos un nuevo método de selección de tripletas. Todo el proceso se divide en dos etapas: En la primera etapa, tomando los tripletes generados por el método de selección de tripletes como entrada de la CNN, se utilizan las tres CNN con pesos compartidos para el aprendizaje de las características de la imagen, y la última capa de la red emite un código hash preliminar. En la segunda etapa, basándose en el código hash de la primera etapa y en la función de pérdida conjunta, el modelo de red neuronal se optimiza aún más para que el código hash generado tenga una mayor precisión de consulta. Realizamos amplios experimentos con los tres conjuntos de datos públicos de referencia CIFAR-10, NUS-WIDE y MS-COCO. Los resultados experimentales demuestran que el método propuesto supera a los métodos comparados, y el método también es superior a todos los métodos anteriores de hash profundo basados en la etiqueta de triplete.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:métodos de selección de tripletes, métodos de hashing profundo, código hash, primera etapa, código hash generado, métodos de aprendizaje profundo, red neuronal convolucional, pérdida conjunta supervisada, red neuronal profunda, función de pérdida conjunta
• Keywords:triplet selection methods, deep hashing methods, hash code, first stage, generated hash code, deep learning methods, convolutional neural network, joint supervised loss, deep neural network, joint loss function