申请/专利权人：东北大学

申请日：2024-01-04

公开（公告）日：2024-04-02

公开（公告）号：CN117807259A

主分类号：G06F16/51

分类号：G06F16/51;G06F16/53;G06F16/31;G06F16/33;G06F16/35;G06F18/213;G06F18/22;G06V10/44;G06V10/74;G06V10/82;G06V10/764;G06N3/0464;G06N3/048;G06N3/0499;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明提供一种基于深度学习技术的跨模态哈希检索方法，涉及跨模态检索技术领域。该方法首先将多模态数据集中的数据划分为查询集和检索集两部分，在检索集中划分训练集；并对多模态数据集中的文本单词进行去噪；对多模态数据集中的图片数据、文本数据、标签数据进行特征提取；并将不同模态的特征向量分别通过各自的哈希层生成哈希码；再计算原始标签的相似度生成浮点型相似性矩阵；然后在考虑模态哈希码分布的情况下对多标签哈希码进行训练；同时使用多标签哈希码监督模态哈希码的训练过程。该方法解决了文本数据存在噪声的问题，采用更准确的衡量数据间相似性的方法，体现数据间的相似性程度。

主权项：1.一种基于深度学习技术的跨模态哈希检索方法，其特征在于：包括以下步骤：步骤1、将多模态数据集中的数据划分为查询集和检索集两部分，在检索集中划分一部分数据作为训练集，在训练过程中只使用训练集数据进行训练；多模态数据集中一个实例由图像、文本、多标签组成；数据集中的每个图片对应一个文本，每个文本由若干个不连续的单词组成，所有的单词构成词库；每对图像-文本对由包含多个类别的多标签进行标识，即一条模态数据有一个或者多个类别；步骤2、对多模态数据集中的文本单词进行去噪；首先对多模态数据集中存在的文本数据噪声进行过滤；将文本中的单词分成两类，与内容相关的单词和与内容无关的单词，并过滤掉与内容无关的单词；步骤3、分别使用图像模态网络、文本模态网络、标签网络对多模态数据集中的图片数据、文本数据、标签数据进行特征提取，得到图片特征向量、文本特征向量和标签特征向量；并将不同模态的特征向量分别通过各自的哈希层生成哈希码；步骤4、计算原始标签的相似度生成浮点型相似性矩阵；步骤5、在考虑模态哈希码分布的情况下对多标签哈希码进行训练；步骤6、使用多标签哈希码监督模态哈希码的训练过程。

全文数据：

权利要求：

百度查询： 东北大学 基于深度学习技术的跨模态哈希检索方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD