文献

J-GLOBAL ID：202002284394644474   整理番号：20A1797437

クロスモーダル検索のための協調的部分空間グラフハッシング【JST・京大機械翻訳】

Collaborative Subspace Graph Hashing for Cross-modal Retrieval

著者 (6件)： Zhang Xiang (National University of Defense Technology, Changsha, China) ,  Dong Guohua (National University of Defense Technology, Changsha, China) ,  Du Yimo (Unit 31008, Beijing, China) ,  Wu Chengkun (National University of Defense Technology, Changsha, China) ,  Luo Zhigang (National University of Defense Technology, Changsha, China) ,  Yang Canqun (National University of Defense Technology, Changsha, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICMR ’18  ページ： 213-221  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
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： クロスモーダル検索のための現在のハッシング法は,一般的に,潜在的共通部分空間にマルチモーダルデータを埋め込むために,別々のモダリティ特異的変換行列を学習する試みを試み,通常,潜在部分空間におけるマルチモーダル特徴の多様性に関して,検索改善に有益であるという事実を無視している。このために,クロスモーダル検索のための2段階協調学習フレームワークを実行するために協調部分空間グラフハッシュ法(CSGH)を提案した。特に,CSGHは,最初に,個々のモダリティ固有変換マトリックスを通して,多重モダリティデータを別々の潜在部分空間に埋め込む,そして次に,共有変換マトリックスを通して,これらの潜在部分空間を共通のHamming空間に接続する。このフレームワークでは,CSGHは,ラプラシアン正則化とグラフベース相関制約を通して,マルチモダリティデータ内のモダリティ固有近傍構造とクロスモーダル相関をそれぞれ考慮する。CSGHを解くために,それを最適化するための代替手順を開発し,幸いに,CSGHの各サブ問題は,エレガントな解析解を持つ。Wiki,NUS-WIDE,Flickr25KおよびFlickr1Mデータセットに関するクロスモーダル検索の実験は,最先端のクロスモーダルハッシング法と比較してCSGHの有効性を示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  解析的解法 ,  多重化 ,  多モード ,  正則化 ,  有効性 ,  *ハッシング ,  Laplace演算子
準シソーラス用語： モダリティ ,  協調学習 ,  変換行列 ,  *部分空間 , 【Automatic Indexing@JST】

著者キーワード (5件)： クロスモーダル相関 ,  クロスモーダルハッシング ,  クロスモーダル検索 ,  グラフハッシング ,  部分空間学習

分類 (3件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 検索 ,  協調 ,  部分空間 ,  グラフ ,  ハッシング