基于无监督深度学习的跨模态数据目标检索

摘要

为解决传统方法关联误差较高,影响检索结果的准确性的问题,提出基于无监督深度学习的跨模态数据目标检索方法,利用各层自编码器及其参数,得到自编码器的编码,通过对编码的逐层初始化策略,对栈式自编码神经网络实施初始化处理,并将隐含层神经单元激活状态作为下一层级的输入,初始化对应层网络参数,采用逐层初始化与整体反馈策略,训练基本单元为受限玻尔兹曼机的深度信任网络;依据wake流程与sleep流程,完成深度信任网络的认知权值的优化调整;获取各模态间的关联偏差,根据文本主题分布与图像特征向量,实现跨模态数据目标检索.仿真结果表明,所提方法不仅能够检索各类型数据集,并且精度非常理想.