跨媒體稀疏哈希索引方法
【專利摘要】本發(fā)明公開了一種跨媒體稀疏哈希索引方法。包括如下步驟：（1）對多個模態(tài)數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系利用超圖進行統(tǒng)一建模（2）利用字典學習框架同時學習多個模態(tài)的字典，同時施加稀疏和超圖關(guān)聯(lián)關(guān)系的正則約束，對每個模態(tài)的數(shù)據(jù)學習得到相應的字典（3）將學習得到的字典作為哈希函數(shù)，對新的數(shù)據(jù)利用對應模態(tài)的字典進行稀疏編碼（4）利用相應的哈希策略把稀疏編碼轉(zhuǎn)變?yōu)橄∈杈幋a集合從而把稀疏編碼相似性計算問題轉(zhuǎn)變?yōu)榧舷嗨菩杂嬎銌栴}，利用類似jaccard距離度量方式進行相似性計算。利用該方法可以實現(xiàn)基于內(nèi)容的海量數(shù)據(jù)的高效跨媒體檢索。用戶可以通過提交任意的模態(tài)的檢索例子去檢索任意模態(tài)的媒體對象。
【專利說明】跨媒體稀疏哈希索引方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及跨媒體檢索，尤其涉及一種基于海量數(shù)據(jù)的跨媒體高效索引方法。
【背景技術(shù)】
[0002]隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展和社交網(wǎng)絡的風靡，網(wǎng)絡上的多媒體數(shù)據(jù)的數(shù)量正在以驚人的速度增長。多媒體數(shù)據(jù)具有復雜的語義，難以直接進行度量，一般的做法是對其進行特征抽取得到相應的特征。通常這些特征都是高維的，因此，多媒體數(shù)據(jù)的檢索問題就轉(zhuǎn)變?yōu)榱烁呔S數(shù)據(jù)的檢索問題。傳統(tǒng)的暴力的線性比較的策略在面對大規(guī)模高維數(shù)據(jù)的時候的時間復雜度顯然不能滿足用戶的在線搜索需求。此時，人們需要一種有效的索引機制以實現(xiàn)高維數(shù)據(jù)地高效檢索。哈希方法是近些年來的高維索引的熱點研究方向。它的核心的思想就是用近似最近鄰代替?zhèn)鹘y(tǒng)的最近鄰的來實現(xiàn)海量高維數(shù)據(jù)的檢索。相對于檢索的準確性，用戶更注重搜索的速度，在大多數(shù)情況下，完全精確的查找并不是必須的，近似解已經(jīng)足以滿足用戶絕大多數(shù)的要求。給定一個高維數(shù)據(jù)的搜索，通過哈希函數(shù)將其映射為簡短的哈希編碼，在數(shù)據(jù)集(查找和它具有相同或相近編碼的數(shù)據(jù)作為搜索結(jié)果。由于哈希編碼的相似性計算是非常高效的，因此在面對海量數(shù)據(jù)的時候哈希方法也能取得很好的查詢性能。
[0003]多媒體數(shù)據(jù)的另一個特性就是多模態(tài)的數(shù)據(jù)存在共生關(guān)系。舉例來說，一張網(wǎng)絡圖像除了有圖片本身，還有一些描述信息如標題、用戶的標注信息、評論信息等；一則新聞報道除了有文字的描述通常還有與之相關(guān)的新聞圖片?？缑襟w檢索的目標就是合理地利用同一模態(tài)內(nèi)數(shù)據(jù)的相似性以及不同模態(tài)的數(shù)據(jù)已知的關(guān)聯(lián)關(guān)系，在不同媒體之間建立“橋梁”，使得不同模態(tài)的數(shù)據(jù)可以在統(tǒng)一的度量空間進行相似性比較。為了能對海量的多模態(tài)的多媒體數(shù)據(jù)實現(xiàn)高效的跨媒體檢索，相應的跨媒體哈希索引算法被相繼提出。
[0004]已有的跨媒體哈希算法大多還是基于流形學習的框架，學習的哈希函數(shù)試圖在保留每個模態(tài)的數(shù)據(jù)的流形的同時，將不同模態(tài)映射到同一個子空間內(nèi)并將不同模態(tài)的流形對齊。近年來，人們發(fā)現(xiàn)字典學習的方法也可以很好地用學習得到的字典對數(shù)據(jù)進行有效地表達。本發(fā)明提出的方法就是基于字典學習的框架來來進行多模態(tài)字典學習，并把學習得到的字典作為哈希函數(shù)建立跨媒體哈希索引。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，提供一種跨媒體稀疏哈希索引的方法。
[0006]跨媒體稀疏哈希索引方法包括如下步驟:
[0007]I)對多個模態(tài)數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系利用超圖進行統(tǒng)一建模；模態(tài)內(nèi)的相似性使用數(shù)據(jù)的底層特征的歐氏距離，模態(tài)間的關(guān)聯(lián)利用不同模態(tài)數(shù)據(jù)已知的關(guān)聯(lián)關(guān)系；
[0008]2)將統(tǒng)一超圖約束引入多模態(tài)字典學習的框架內(nèi)，使得學習得到的多模態(tài)字典能保留模態(tài)內(nèi)的相似性以及模態(tài)間的關(guān)聯(lián)關(guān)系；
[0009]3)將學習得到的字典作為哈希函數(shù)，對新的數(shù)據(jù)利用對應模態(tài)的字典進行稀疏編碼；
[0010]4)將稀疏編碼通過哈希策略轉(zhuǎn)化為稀疏編碼集，并使用類jaccard距離來計算集合之間的相似度。
[0011]所述的步驟2)包括:
[0012]給出如下基于最小重建誤差的目標函數(shù)，以實現(xiàn)多模態(tài)字典學習:
【權(quán)利要求】
1.一種跨媒體稀疏哈希索引方法，其特征在于包括如下步驟: 1)對多個模態(tài)數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系利用超圖進行統(tǒng)一建模；模態(tài)內(nèi)的相似性使用數(shù)據(jù)的底層特征的歐氏距離，模態(tài)間的關(guān)聯(lián)利用不同模態(tài)數(shù)據(jù)已知的關(guān)聯(lián)關(guān)系； 2)將統(tǒng)一超圖約束引入多模態(tài)字典學習的框架內(nèi)，使得學習得到的多模態(tài)字典能保留模態(tài)內(nèi)的相似性以及模態(tài)間的關(guān)聯(lián)關(guān)系； 3)將學習得到的字典作為哈希函數(shù)，對新的數(shù)據(jù)利用對應模態(tài)的字典進行稀疏編碼； 4)將稀疏編碼通過哈希策略轉(zhuǎn)化為稀疏編碼集，并使用類jaccard距離來計算集合之間的相似度。
2. 根據(jù)權(quán)利要求1所述的一種跨媒體稀疏哈希索引方法，其特征在于所述的步驟2)包括: 給出如下基于最小重建誤差的目標函數(shù)，以實現(xiàn)多模態(tài)字典學習:
3.根據(jù)權(quán)利要求1所述的一種跨媒體稀疏哈希索引方法，其特征在于所述的步驟4)包括: 假設(shè)數(shù)據(jù)X的用其模態(tài)學習得到的字典Dx進行稀疏編碼后得到再將稀疏編碼通過哈希方法生成稀疏編碼集:
【文檔編號】G06F17/30GK103473307SQ201310410588
【公開日】2013年12月25日 申請日期:2013年9月10日 優(yōu)先權(quán)日:2013年9月10日
【發(fā)明者】吳飛, 張寅 , 余宙, 邵健, 莊越挺 申請人:浙江大學