Resumen

El hashing multimodal codifica los datos multimedia heterogéneos en un código binario compacto para lograr una recuperación rápida y flexible en diferentes modalidades. Debido a su bajo coste de almacenamiento y a su gran eficacia de recuperación, ha recibido una gran atención. El deep hashing supervisado mejora significativamente el rendimiento de la búsqueda y suele producir resultados más precisos, pero requiere mucha anotación manual de los datos. En cambio, el hashing profundo no supervisado es difícil de conseguir un rendimiento satisfactorio debido a la falta de información de supervisión fiable. Para resolver este problema, inspirándonos en la destilación de conocimientos, proponemos un nuevo método de hashing no supervisado basado en la alineación semántica (SAKDH), que puede reconstruir la matriz de similitud utilizando la información de correlación oculta del modelo docente no supervisado preentrenado, y la matriz de similitud reconstruida puede utilizarse para guiar el modelo estudiantil supervisado. En concreto, en primer lugar, el modelo del profesor adoptó un método hash de alineación semántica no supervisada, que puede construir una matriz de similitud de fusión modal. En segundo lugar, bajo la supervisión de la información de destilación del modelo del profesor, el modelo del alumno puede generar códigos hash más discriminativos. Los resultados experimentales en dos extensos conjuntos de datos de referencia (MIRFLICKR-25K y NUS-WIDE) muestran que, en comparación con varios métodos representativos de hashing modal cruzado sin supervisión, la precisión media (MAP) de nuestro método propuesto ha logrado una mejora significativa. Esto refleja plenamente su eficacia en la recuperación de datos multimodales a gran escala.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:supervisión de profesores, recuperación de datos modales, métodos de hashing de alineación, modelo de estudiantes supervisados, código binario compacto, bajo coste de almacenamiento, precisión media, métodos de hashing modal, matriz de similitud reconstruida, código de hash discriminativo
• Keywords:supervision of teachers, modal data retrieval, alignment hashing methods, supervised students model, compact binary code, low storage cost, means average precision, modal hashing methods, reconstructed similarity matrix, discriminative hash code