[發(fā)明專(zhuān)利]一種基于重構(gòu)約束的矩陣分解哈希方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810746141.6
• 申請(qǐng)日: 2018-07-09
• 公開(kāi)（公告）號(hào): CN109255098B
• 公開(kāi)（公告）日: 2023-01-17
• 發(fā)明（設(shè)計(jì)）人: 陳輝;王海濤;武繼剛;孟敏
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06F17/16
• 分類(lèi)號(hào): G06F17/16
• 代理公司: 廣州粵高專(zhuān)利商標(biāo)代理有限公司 44102
• 代理人: 林麗明

本發(fā)明涉及圖像處理方法的技術(shù)領(lǐng)域，更具體地，涉及一種基于重構(gòu)約束的矩陣分解哈希方法，該方法首先使用矩陣因式分解技術(shù)來(lái)學(xué)習(xí)圖片數(shù)據(jù)和文本數(shù)據(jù)的共同潛在語(yǔ)義信息；然后通過(guò)計(jì)算得到一組通用的映射矩陣；之后利用可獲得的數(shù)據(jù)標(biāo)簽信息，將圖拉普拉斯約束引入到潛在語(yǔ)義信息中，以增強(qiáng)本方法的識(shí)別力；最后通過(guò)原始圖片與文本的數(shù)據(jù)重構(gòu)，減少冗余信息的干擾。本發(fā)明通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行重構(gòu)分離原始數(shù)據(jù)中的有效信息和冗余信息，增強(qiáng)矩陣因式分解技術(shù)的潛在語(yǔ)義信息的獲取能力，從而提高了檢索的成功率，同時(shí)能夠很好地適用于大規(guī)模的跨模態(tài)檢索任務(wù)。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理方法的技術(shù)領(lǐng)域，更具體地，涉及一種基于重構(gòu)約束的矩陣分解哈希方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)的快速發(fā)展，互聯(lián)網(wǎng)中的數(shù)據(jù)表達(dá)變得多樣化，例如：一個(gè)網(wǎng)頁(yè)中通常會(huì)包含圖片、文本、視頻、音頻等多媒體數(shù)據(jù)。目前傳統(tǒng)的檢索方式大多基于單模態(tài)，即只對(duì)相同類(lèi)型的數(shù)據(jù)進(jìn)行檢索，如文本檢索、圖像檢索、視頻檢索等。用戶(hù)如何在多模態(tài)數(shù)據(jù)中高效地檢索到自己想要的數(shù)據(jù)成為一個(gè)具有挑戰(zhàn)性的問(wèn)題。為了解決這個(gè)問(wèn)題，檢索領(lǐng)域的研究熱點(diǎn)逐漸傾向于跨模態(tài)檢索。跨模態(tài)檢索可以提交任何媒體形式的內(nèi)容以搜索相關(guān)的信息，其主要問(wèn)題是如何度量不同模態(tài)數(shù)據(jù)之間的語(yǔ)義相似性。

近年來(lái)，由于基于矩陣因式分解的哈希方法能夠很好的挖掘不同模態(tài)數(shù)據(jù)之間的共同語(yǔ)義，這種方法吸引了大量的關(guān)注。然而真實(shí)世界中的數(shù)據(jù)往往存在大量冗余信息，會(huì)極大的影響多模態(tài)數(shù)據(jù)的語(yǔ)義相似比較，且目前已有的矩陣因式分解哈希方法不能夠很好處理這個(gè)問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于重構(gòu)約束的矩陣分解哈希方法，加入對(duì)數(shù)據(jù)的重構(gòu)約束，保證原始圖片和文本信息在映射到共同的語(yǔ)義空間時(shí)盡可能多的保留原有數(shù)據(jù)的特征信息，能夠提高檢索的精度。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是：

提供一種基于重構(gòu)約束的矩陣分解哈希方法，包括以下步驟：

S1.通過(guò)矩陣因式分解學(xué)習(xí)圖片和文本的共同潛在語(yǔ)義空間矩陣S，通過(guò)對(duì)所述共同語(yǔ)義空間矩陣S與圖片矩陣X和文本矩陣Y進(jìn)行范數(shù)運(yùn)算，得到用于查詢(xún)項(xiàng)的映射矩陣P₁和P₂；

S2.對(duì)步驟S1中所述共同潛在語(yǔ)義空間矩陣S進(jìn)行拉普拉斯正則約束；

S3.在步驟S1所述矩陣因式分解框架下，引入數(shù)據(jù)重構(gòu)約束，對(duì)圖片和文本進(jìn)行重構(gòu)；所述重構(gòu)約束表示為X＝Q₁P₁X+E₁和Y＝Q₂P₂Y+E₂，其中Q_*為重構(gòu)矩陣，P_*為映射矩陣，E_*表示冗余信息，*可取1和2；

S4.對(duì)步驟S1、步驟S2、步驟S3進(jìn)行整理得到統(tǒng)一待優(yōu)化的目標(biāo)函數(shù)，然后通過(guò)增廣拉格朗日乘子法對(duì)目標(biāo)變量進(jìn)行迭代更新得到最優(yōu)解P₁、P₂、S；

S5.通過(guò)符號(hào)函數(shù)sign(·)對(duì)步驟S4中共同潛在語(yǔ)義空間矩陣S進(jìn)行量化，得到圖片和文本統(tǒng)一的哈希碼。

本發(fā)明通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行重構(gòu)分離原始數(shù)據(jù)中的有效信息和冗余信息，增強(qiáng)矩陣因式分解技術(shù)的潛在語(yǔ)義信息的獲取能力，同時(shí)能夠減少映射過(guò)程中信息的丟失，使得生成的哈希碼能包含更多的重要的特征信息，因此在進(jìn)行檢索任務(wù)時(shí)可以返回更加準(zhǔn)確的檢索結(jié)果。

優(yōu)選地，步驟S1中圖片和文本的共同潛在語(yǔ)義空間矩陣S的學(xué)習(xí)方法如下：

S11.通過(guò)矩陣因式分解，將圖片矩陣X和文本矩陣Y分解為兩個(gè)矩陣相乘的形式：X＝U₁×S,Y＝U₂×S，其中，U₁和U₂分別為X和Y矩陣因式分解的因子矩陣；