大规模低质量多模态无监督哈希方法及动态流数据检索系统技术方案

本发明专利技术属于多模态信息处理领域，公开了大规模低质量多模态无监督哈希方法及动态流数据检索系统，为了充分挖掘大规模低质量多模态数据的强判别力哈希码，采取内层和外层组合的多层哈希码映射模式，构建了稀疏正则化多层哈希映射模型；为了融合低质量多模态数据中各种模态数据之间的独特特征内容和语义一致性特征内容，将不同模态映射对应的归约模态空间，并对各个归约模态空间内联耦合建模。本发明专利技术对上述申请方法进一步扩展到动态多模态流数据环境中，构建的动态流数据哈希函数求解器全局损失函数，能够逐步有序稳定的挖掘动态流数据语义信息，增强了低质量动态流数据哈希函数的学习判别力，实现对大规模低质量动态多模态流数据进行快速检索。

【技术实现步骤摘要】

本专利技术属于多模态信息处理，具体是涉及一种大规模低质量多模态无监督哈希方法及动态流数据检索系统。

技术介绍

1、随着海量多媒体数据呈指数级增长，如何从大规模、异构、多模态的多媒体数据中高效提取有用信息的方法，多模态哈希学习越来越受到计算机视觉与信息处理等领域的广泛关注。然而在面临大规模低质量环境时，由于数据采集的成本和难度，往往难以获取大规模的标注数据，而异构场景的复杂性更增加了数据标注的难度，既而使得多模态数据伴随着不完备的标记信息和非恒定的数据分布等特征。因此，如何在缺乏全面标注的情况下，利用低质量样本信息和异构模态之间的关联性，在海量低质量异质数据中挖掘蕴含的有用知识，准确高效处理多模态数据中有价值信息成为多模态信息处理研究领域的迫切问题。为此，无监督多模态哈希学习方法受到了当前多模态信息处理
的广泛关注。

2、为了更好地捕获多模态异构语义关联信息，减轻各个模态的异质性，文献(liux.l.,mu y.d.,zhang d.c.,et.al.large-scale unsupervised hashing withsharedst本文档来自技高网...

【技术保护点】

1.大规模低质量多模态无监督哈希方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的大规模低质量多模态无监督哈希方法，其特征在于，步骤1具体为：

3.根据权利要求1所述的大规模低质量多模态无监督哈希方法，其特征在于，步骤2具体为：

4.根据权利要求3所述的大规模低质量多模态无监督哈希方法，其特征在于，步骤2-4具体为：

5.根据权利要求4所述的大规模低质量多模态无监督哈希方法，其特征在于，步骤3中，通过利用查询样本模态对应的哈希函数，对查询样本进行转换映射处理，得到对应查询样本模态的哈希码，具体为：

6.一种大规模低质量多...

【技术特征摘要】

1.大规模低质量多模态无监督哈希方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的大规模低质量多模态无监督哈希方法，其特征在于，步骤1具体为：

3.根据权利要求1所述的大规模低质量多模态无监督哈希方法，其特征在于，步骤2具体为：

4.根据权利要求3所述的大规模低质量多模态无监督哈希方法，其特征在于，步骤2-4具体为：

5.根据...

【专利技术属性】
技术研发人员：杨帆，胡浩宇，马福民，陈熠辉，丁晓剑，张佳豪，刘欣琪，
申请(专利权)人：南京财经大学，
类型：发明
国别省市：