重构约束的离散矩阵因式分解跨模态哈希

摘要

针对目前跨模态哈希方法中存在的哈希码鲁棒性不足、量化误差较大的问题,提出一种重构约束的离散矩阵因式分解哈希算法.通过矩阵因式分解直接学习多模态数据的离散深层潜在语义,避免松弛-量化产生的大量误差;将学习的深层语义重构回原始数据,降低数据中冗余信息的影响,加强哈希码的鲁棒性与可区分性.该算法在Wiki、NUS-WIDE和MirFlickr-25 k这3个公开的基准数据集上与最近相关的算法进行实验比较,实验结果表明,所提方法在检索精度和效率上有明显优势.