文献

J-GLOBAL ID：201902247919614296   整理番号：19A2695856

部分的クロスモーダルハッシングのための集団親和学習【JST・京大機械翻訳】

Collective Affinity Learning for Partial Cross-Modal Hashing

著者 (2件)： Guo Jun (Tsinghua-Berkeley Shenzhen Institute, Tsinghua University, Shenzhen, China) ,  Zhu Wenwu (Department of Computer Science and Technology of Tsinghua University, Beijing National Research Center for Information Science and Technology, Tsinghua-Berkeley Shenzhen Institute, Beijing, China)
資料名： IEEE Transactions on Image Processing  (IEEE Transactions on Image Processing)
巻： 29  ページ： 1344-1355  発行年： 2020年 
JST資料番号： W0364A  ISSN： 1057-7149  CODEN： IIPRE4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 過去10年間において,様々な教師なしのハッシング方法が,交差モード検索のために開発された。しかしながら,実世界応用において,データのあらゆるモダリティがいくつかの欠落したサンプルを被る可能性がある不完全なケースであることが多い。ほとんどの既存の研究は,あらゆるオブジェクトが両方のモダリティに現れると仮定しているので,それらは部分的なマルチモーダルデータに対してうまく機能しないかもしれない。この問題を扱うために,部分的マルチモーダルデータ上で二値符号を生成するためのアンカーグラフを集約的かつ適応的に学習する,新しいCollective Affinity Learning Method(CALM)を提案した。CALMにおいて,最初に,著者らは,最初に,モード特異的二部分グラフを構築し,そして,各モダリティに対する完全なデータからアンカーへの親和性を図るための確率モデルを導き出した。理論解析は,欠落した隣接情報を回復する能力を明らかにした。さらに,ロバストなモデルを提案し,統一したアンカーグラフを適応的に学習することにより,これらのモード固有の親和性を融合した。次に,学習されたアンカーグラフからの近傍情報はフィードバックとして作用し,以前の親和性再構成手順を誘導する。定式化された最適化問題を解決するために,線形時間複雑性と高速収束を有する効果的アルゴリズムをさらに開発した。最後に,交差モード検索のための融合親和性について,Anchor Graph Hashing(AGH)を行った。ベンチマークデータセットに関する実験結果は,著者らの提案したCALMが一貫して既存の方法より優れていることを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 再構成 ,  *学習 ,  グラフ ,  多モード ,  ベンチマーク ,  定式化 ,  *ハッシング ,  親和性 ,  確率モデル ,  アルゴリズム ,  高速度 ,  集中化 ,  ロバスト性
準シソーラス用語： 複雑性 ,  モダリティ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： 集団 ,  学習