[发明专利]基于半监督的跨媒体特征学习检索方法

说明书

本发明提供一种基于半监督的跨媒体特征学习检索方法，包括如下步骤：步骤一：建立多媒体数据库，步骤二：求取不同媒体类型的投影矩阵；(2.1)定义目标函数：(2.2)目标函数的优化：(2.3)将多媒体数据的原始特征投影到公共空间，步骤三：进行跨媒体检索；(3.1)提取用户提交的媒体数据的特征：根据用户提交的数据的媒体类型使用提前训练的模型来提取出该数据的特征，(3.2)将该媒体数据的特征向量，投影到共同空间中(3.3)计算投影后的特征向量与共同空间中的其他向量之间的相似度，(3.4)返回相似度最大的前k个媒体数据。本发明的方法降低计算复杂度，实现对噪声的鲁棒性，提高检索的准确性。

技术领域

本发明涉及一种基于半监督的跨媒体特征学习检索方法，属于检索领域。

背景技术

随着现代计算机科学技术的发展，互联网上的图像，文本，视频等多媒体数据迅速增长。基于内容的多媒体检索已经变得越来越重要，对此已经做了大量的研究。传统的基于内容的检索方法通常集中在单一模式检索，如图像检索，文本检索。在这种情况下，查询和检索结果是相同的媒体类型。但是，单一模式检索不能充分利用不同的媒体数据。为了解决这个问题，跨媒体检索已经被提出并且变得越来越重要。它旨在将一种类型的数据作为查询来检索另一种类型的相关数据对象。例如，用户可以使用老虎的图片来检索各种相关的文本描述，或者提交老虎的关键字来检索相关的图像。

在跨媒体检索研究中，针对不同媒体类型的特征学习是一个关键的挑战，其中关联分析是一个关键问题。相关性分析是跨媒体特征学习的一个关键问题。成对关联可以在不同媒体类型的对象之间提供准确的关系。在基于图的策略中，图正则化项保护了多媒体数据之间的关联关系，其中边权重起着关键的作用，它表现了数据间的密切关系。然而，大多数现有的工作考虑边权重通常设置其为常量，或者是由原始数据间的相似性导出的。实际上，根据原始数据或投影数据之间的距离来计算边权重可以更准确地表示多媒体数据的相关性。但是，原始特征的维度通常很大，这会影响算法的计算复杂度。

发明内容

本发明的目的在于提供一种基于半监督的跨媒体特征学习检索方法，以解决上述问题。

本发明采用了如下技术方案：

一种基于半监督的跨媒体特征学习检索方法，包括如下步骤：

步骤一：建立多媒体数据库，

步骤二：求取不同媒体类型的投影矩阵；

(2.1)定义目标函数：

投影矩阵

X_ap和X_aq表示来自第p个媒体和第q个媒体的具有相同标签的两组媒体对象，

X_p表示来自第p个媒体的媒体对象，

H_p和H_q表示X_p和X_q的投影矩阵，

Y_p表示X_p对应的标签信息，

F表示Frobenius范数，

(2.2)目标函数的优化：

让表示式(5)中的目标函数，对进行微分，并设置其值为零，可以得到如下的等式：

其中，R_p＝Diag(r_p)中的r_p表示l_2,1范数的一个辅助向量，它的第i个成员定义为

式(6)可以重写为: