技術(shù)領(lǐng)域：

本發(fā)明涉及跨模態(tài)哈希檢索方法，尤其涉及基于映射字典學(xué)習(xí)的跨模態(tài)哈希檢索方法。

背景技術(shù)：
：

隨著計(jì)算機(jī)網(wǎng)絡(luò)和信息技術(shù)的快速發(fā)展，網(wǎng)絡(luò)上的媒體數(shù)據(jù)量急劇增長(zhǎng)，媒體的表示形式也呈現(xiàn)出多模態(tài)性(圖像，文本，聲音，視頻等)。例如:在微博上傳照片時(shí)，通常會(huì)同時(shí)上傳一段文字描述照片的內(nèi)容或用一些標(biāo)簽標(biāo)注圖像的內(nèi)容；在微信的朋友圈分享時(shí)，往往也是圖文并茂；購(gòu)物網(wǎng)站，例如淘寶，京東等，在描述產(chǎn)品信息時(shí)通常既用圖片，又用文字。這些多模態(tài)數(shù)據(jù)雖然表現(xiàn)形式不同，但它們之間存在語(yǔ)義關(guān)聯(lián)?？缑襟w檢索的目的就是挖掘不同媒體之間存在的語(yǔ)義關(guān)系，并按語(yǔ)義關(guān)系進(jìn)行排序，返回跟查詢存在較強(qiáng)語(yǔ)義關(guān)系的不同模態(tài)的數(shù)據(jù)。隨著媒體數(shù)據(jù)量的急速增長(zhǎng)和模態(tài)的多樣化，傳統(tǒng)的檢索方法已經(jīng)不能滿足當(dāng)前跨媒體檢索的需求。如何在海量數(shù)據(jù)中檢索不同模態(tài)的數(shù)據(jù)成為一個(gè)巨大的挑戰(zhàn)。

哈希方法是解決大數(shù)據(jù)問題的一種有效的方法，它不僅能大大節(jié)省存儲(chǔ)空間，而且計(jì)算效率也大幅提高。例如一張圖片用5,000維的bow（bagofwords）表示，假設(shè)每維用double數(shù)據(jù)類型表示，即每維占用8bytes的存儲(chǔ)空間，則需要5,000×8bytes=40,000bytes的存儲(chǔ)空間。而哈希方法是把樣本映射漢明空間，例如用32bits(8bits=1byte)來(lái)表示一張圖片，僅需要4bytes的存儲(chǔ)空間，大大節(jié)省了存儲(chǔ)空間，占用的存儲(chǔ)空間僅為原始特征空間的萬(wàn)分之一。在檢索過程中，因?yàn)闃颖居枚荡a表示，因此在計(jì)算樣本間的距離時(shí)，只需要做簡(jiǎn)單的異或操作即可，大大提升了計(jì)算的效率，使檢索的時(shí)間復(fù)雜度遠(yuǎn)低于傳統(tǒng)方法。

由于哈希方法的高效性和節(jié)省內(nèi)存，最近引起了越來(lái)越多的關(guān)注?？缒B(tài)哈希的目標(biāo)是為不同模態(tài)的樣本學(xué)習(xí)一個(gè)共享的漢明空間，在這個(gè)空間可以實(shí)現(xiàn)跨媒體檢索（參見文獻(xiàn)[1-5，7，8，10]）。基于相似敏感哈希的跨模態(tài)度量學(xué)習(xí)方法(cross-modalitymetriclearningusingsimilaritysensitivehashing，cmssh)通過最小化不同模態(tài)的相似樣本之間的漢明距離，最大化不同模態(tài)的不相似樣本間的漢明距離，學(xué)習(xí)哈希函數(shù)（參見文獻(xiàn)[1]）。典型相關(guān)分析(canonicalcorrelationanalysis，cca)（參見文獻(xiàn)[6]）哈希方法，把cca引入跨媒體哈希方法，提出最大化模態(tài)間的相關(guān)性，學(xué)習(xí)一組哈希函數(shù)（參見文獻(xiàn)[10]）。跨視角哈希(cross-viewhashing，cvh)把譜哈希擴(kuò)展到跨模態(tài)檢索，通過最小化加權(quán)距離，保持相似樣本模態(tài)內(nèi)和模態(tài)間的相似性（參見文獻(xiàn)[2]）。多模態(tài)潛在二值嵌入(multi-modallatentbinaryembedding，mlbe)提出一個(gè)概率生成模型，通過保持多模態(tài)樣本模態(tài)內(nèi)和模態(tài)間的相似度來(lái)學(xué)習(xí)哈希函數(shù)（參見文獻(xiàn)[8]）。協(xié)同矩陣分解哈希方法(collectivematrixfactorizationhashing，cmfh)利用協(xié)同矩陣分解保持模態(tài)間的相似性，為樣本對(duì)學(xué)習(xí)同一表示（參見文獻(xiàn)[3]）?；诰垲惵?lián)合矩陣分解哈希(cluster-basedjointmatrixfactorizationhashing，cjmfh)提出了首先對(duì)各個(gè)模態(tài)進(jìn)行聚類運(yùn)算，再利用矩陣分解同時(shí)保持模態(tài)內(nèi)、模態(tài)間和基于聚類的相似性（參見文獻(xiàn)[7]）。以上方法雖然取得了令人滿意的結(jié)果，但是學(xué)習(xí)到的哈希碼不包含任何語(yǔ)義信息，限制了算法的性能。稀疏哈希(latentsemanticsparsehashing，lssh)為了縮小圖像和文本之間的語(yǔ)義鴻溝，利用稀疏表示學(xué)習(xí)圖像的一些顯著結(jié)構(gòu)，利用矩陣分解為文本學(xué)習(xí)一個(gè)潛在的語(yǔ)義空間，并保持模態(tài)間的語(yǔ)義相似性（參見文獻(xiàn)[4]）。稀疏多模態(tài)哈希(sparsemulti-modalhashing，smmh)提出利用稀疏表示為圖像和文本學(xué)習(xí)一個(gè)共享語(yǔ)義空間，保持模態(tài)間的相似性（參見文獻(xiàn)[5]）。這類方法利用稀疏表示，使哈希碼包含語(yǔ)義信息，提升了算法的性能。但是這類算法通常存在以下問題，限制了算法的應(yīng)用。1)在字典學(xué)習(xí)算法中，因?yàn)橄∈杓s束項(xiàng)的存在，導(dǎo)致訓(xùn)練和測(cè)試過程算法的復(fù)雜度高。2)這些哈希算法沒有為各模態(tài)學(xué)習(xí)哈希函數(shù)。測(cè)試樣本，通常需要首先解決一個(gè)lasso問題，得到樣本的稀疏表示，然后通過量化得到樣本的哈希碼(如文獻(xiàn)[4])，而不能像其他哈希算法直接利用哈希函數(shù)得到樣本的哈希碼。3)樣本表示是稀疏的，導(dǎo)致哈希碼的-1和1分配不均勻。

針對(duì)以上問題，本發(fā)明申請(qǐng)?zhí)岢鲆环N基于映射字典學(xué)習(xí)的跨模態(tài)哈希檢索方法。在字典學(xué)習(xí)過程中，放松了稀疏約束項(xiàng)，不僅降低了時(shí)間復(fù)雜度和平衡了哈希碼的分布，而且在字典學(xué)習(xí)過程中得到了哈希函數(shù)。對(duì)于哈希問題的求解，現(xiàn)存的大部分跨模態(tài)哈希算法一般先得到問題的連續(xù)最優(yōu)解，再通過量化得到樣本的哈希碼。但是，這些算法沒有考慮量化損失對(duì)算法性能的影響。本發(fā)明申請(qǐng)通過最小化量化誤差，學(xué)習(xí)一個(gè)正交的旋轉(zhuǎn)矩陣，進(jìn)一步提升算法的性能。

技術(shù)實(shí)現(xiàn)要素：
：

本發(fā)明的目的在于克服上述已有技術(shù)的不足，提供一種基于映射字典學(xué)習(xí)的跨模態(tài)哈希檢索方法。

本發(fā)明的目的可以通過如下措施來(lái)達(dá)到：基于映射字典學(xué)習(xí)的跨模態(tài)哈希檢索方法，其特征在于其通過計(jì)算機(jī)裝置實(shí)現(xiàn)如下步驟：

1）步驟s1，通過網(wǎng)絡(luò)收集圖像和文本樣本，并建立跨媒體檢索的圖像和文本數(shù)據(jù)集，并將圖像和文本數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集；

2）步驟s2，分別利用圖像和文本的bow算法提取訓(xùn)練集和測(cè)試集的圖像和文本的特征；

3）步驟s3，利用訓(xùn)練集的圖像和文本樣本，通過映射字典學(xué)習(xí)為圖像和文本模態(tài)學(xué)習(xí)一個(gè)共享子空間，并通過保持兩個(gè)模態(tài)的模態(tài)間相似度學(xué)習(xí)圖像和文本模態(tài)的哈希函數(shù)；

其包含以下步驟：

步驟s31，用分別表示圖像和文本模態(tài)的特征描述，其中，分別表示圖像和文本模態(tài)特征空間的維數(shù)，表示樣本對(duì)的數(shù)量；表示第個(gè)由圖像、文本模態(tài)描述構(gòu)成的樣本對(duì)；分別表示圖像和文本模態(tài)的字典，分別表示圖像和文本模態(tài)的哈希函數(shù)，分別表示圖像和文本模態(tài)的哈希碼，其中表示哈希碼的長(zhǎng)度；和分別表示第個(gè)圖像、文本樣本的哈希碼；

根據(jù)上述所述的變量，利用訓(xùn)練集中樣本的特征構(gòu)建目標(biāo)函數(shù)：

其中為待定權(quán)重參數(shù)；一般設(shè)置，表明兩個(gè)模態(tài)同等重要；參數(shù)是模態(tài)間相似性保持的權(quán)重，設(shè)置；參數(shù)是正則化項(xiàng)的權(quán)重，設(shè)置；表示字典的第個(gè)字典原子，表示字典的第個(gè)字典原子；

步驟s32，求解步驟s31中的目標(biāo)函數(shù)，得到圖像和文本模態(tài)的哈希函數(shù)；

所述步驟s32進(jìn)一步包含以下步驟：

步驟s321,為圖像和文本兩個(gè)模態(tài)分別引入一個(gè)中間變量和，此時(shí)目標(biāo)函數(shù)可寫為：

其中，參數(shù)為待定權(quán)重參數(shù)，此參數(shù)也具有一定的魯棒性，設(shè)置；

步驟s322,初始化字典、哈希函數(shù)和、系數(shù)矩陣和，并設(shè)置最大迭代次數(shù)；

步驟s323,固定其他變量求解，則目標(biāo)函數(shù)可以寫為：

其中const表示常數(shù)，令：，則可以得到閉合解：

其中，表示單位矩陣；

同理：

步驟s324,固定其他變量求解，則目標(biāo)函數(shù)可寫為：

展開上式并對(duì)求導(dǎo)，令其導(dǎo)數(shù)為零，可以得到閉合解：

同理：

步驟s325，固定其他變量求解則目標(biāo)函數(shù)可寫為：

該目標(biāo)函數(shù)通過admm算法進(jìn)行計(jì)算；

同理，用求解的相同方法得到；

步驟s326，判斷迭代次數(shù)是否小于最大迭代次數(shù)，若是，則跳轉(zhuǎn)到步驟s32繼續(xù)迭代過程；若不是，則停止迭代，得到圖像和文本模態(tài)的哈希函數(shù)、；

4）步驟s4，為圖像和文本樣本學(xué)習(xí)一個(gè)正交旋轉(zhuǎn)矩陣，最小化量化誤差；

所述步驟s4中為圖像和文本樣本學(xué)習(xí)一個(gè)正交旋轉(zhuǎn)矩陣的方法，具體包含以下步驟：

步驟s41，通過學(xué)習(xí)一個(gè)旋轉(zhuǎn)矩陣最小化量化誤差，量化損失函數(shù)定義為：

其中，為占位符，可以是或，表示符號(hào)函數(shù)；，表示的均值；

步驟s42，求解步驟s41中的量化損失函數(shù)，所述步驟s42進(jìn)一步包含以下步驟：

步驟s421，初始化旋轉(zhuǎn)矩陣及最大迭代次數(shù)，最大迭代次數(shù)一般可設(shè)置為50；

步驟s422，固定，求:

步驟s423，固定，求:

由奇異值分解（svd）的方法求解，即：

則：

步驟s424，判斷是否是最大迭代次數(shù)，如果不是則跳轉(zhuǎn)到s422繼續(xù)迭代；如果是，則停止迭代，得到正交旋轉(zhuǎn)矩陣；

步驟s5，利用圖像和文本模態(tài)的哈希函數(shù)和學(xué)習(xí)的正交旋轉(zhuǎn)矩陣，通過下式計(jì)算所有樣本的哈希碼：

6）步驟s6，將一個(gè)模態(tài)的測(cè)試集樣本作為查詢樣本，而另一模態(tài)的訓(xùn)練集樣本作為被檢索數(shù)據(jù)集；計(jì)算查詢樣本與被檢索樣本的漢明距離，并按照漢明距離進(jìn)行排序，并返回排序靠前的樣本；

所述的查詢樣本與被檢索樣本的相似度可以利用漢明距離度量，漢明距離越小說明查詢樣本與被檢索樣本的相似度越高，反之亦然。

為了進(jìn)一步實(shí)現(xiàn)本發(fā)明的目的，所述的步驟s1包括從網(wǎng)絡(luò)上的社交、購(gòu)物網(wǎng)站分別收集圖像和文本樣本，并由在同一網(wǎng)頁(yè)出現(xiàn)的圖像和文本構(gòu)成圖像和文本樣本對(duì)，建立跨媒體檢索圖像和文本數(shù)據(jù)集；所述的將圖像和文本數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，隨機(jī)選擇99%的樣本對(duì)構(gòu)成訓(xùn)練數(shù)據(jù)集，剩余的1%構(gòu)成測(cè)試數(shù)據(jù)集。

為了進(jìn)一步實(shí)現(xiàn)本發(fā)明的目的，所述的步驟s2中對(duì)圖像使用由sift（scale-invariantfeaturetransform）特征作為視覺單詞的bow模型提取特征，對(duì)文本使用傳統(tǒng)的bow模型提取特征。

本發(fā)明同已有技術(shù)相比可產(chǎn)生如下積極效果：

1.利用映射字典學(xué)習(xí)不僅使哈希碼含有語(yǔ)義信息，而且將傳統(tǒng)字典學(xué)習(xí)的計(jì)算復(fù)雜度由降低到，其中為訓(xùn)練樣本的數(shù)量。

2.通過學(xué)習(xí)一個(gè)正交旋轉(zhuǎn)矩陣，最小化量化誤差，得到了性能更好的哈希函數(shù)，并且正交旋轉(zhuǎn)矩陣不會(huì)破壞目標(biāo)函數(shù)解的最優(yōu)性。

3.算法學(xué)習(xí)了哈希函數(shù)，圖像和文本樣本的哈希碼可以通過哈希函數(shù)和正交旋轉(zhuǎn)矩陣直接得到，這與現(xiàn)存的基于字典學(xué)習(xí)的哈希算法不同。

4.本發(fā)明檢索的準(zhǔn)確率高，實(shí)現(xiàn)簡(jiǎn)單，容易應(yīng)用于大規(guī)模數(shù)據(jù)集，易于在實(shí)際中應(yīng)用，具有廣闊的應(yīng)用前景和巨大的市場(chǎng)價(jià)值。

附圖說明：

圖1為本發(fā)明的流程示意圖。

具體實(shí)施方式：下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式做詳細(xì)說明：

雖然本發(fā)明指定了圖像和文本兩個(gè)模態(tài)，但是算法很容易的擴(kuò)展到其他模態(tài)和多于兩個(gè)模態(tài)的情況。為了方便描述，本發(fā)明只考慮圖像和文本兩個(gè)模態(tài)。

參見圖1，基于映射字典學(xué)習(xí)的跨模態(tài)哈希檢索方法，其通過計(jì)算機(jī)裝置實(shí)現(xiàn)如下步驟：

步驟s1，通過網(wǎng)絡(luò)收集圖像和文本樣本，并建立跨媒體檢索的圖像和文本數(shù)據(jù)集，并將圖像和文本數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集；

所述的步驟s1包括從網(wǎng)絡(luò)上的社交、購(gòu)物等網(wǎng)站分別收集圖像和文本樣本，并由在同一網(wǎng)頁(yè)出現(xiàn)的圖像和文本構(gòu)成圖像和文本樣本對(duì)，建立跨媒體檢索圖像和文本數(shù)據(jù)集；所述的將圖像和文本數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，隨機(jī)選擇99%的樣本對(duì)構(gòu)成訓(xùn)練數(shù)據(jù)集，剩余的1%構(gòu)成測(cè)試樣本樣本集。

步驟s2，分別利用圖像和文本的bow算法提取訓(xùn)練集和測(cè)試集的圖像和文本的特征；

對(duì)圖像使用由sift（scale-invariantfeaturetransform）特征作為視覺單詞的bow模型提取特征，對(duì)文本使用傳統(tǒng)的bow模型提取特征。

步驟s3，利用訓(xùn)練集的圖像和文本樣本，通過映射字典學(xué)習(xí)為圖像和文本模態(tài)學(xué)習(xí)一個(gè)共享子空間，并通過保持兩個(gè)模態(tài)的模態(tài)間相似度學(xué)習(xí)圖像和文本模態(tài)的哈希函數(shù)；

所述步驟s3進(jìn)一步包含以下步驟：

步驟s31，用分別表示圖像和文本模態(tài)的特征描述，其中，分別表示圖像和文本模態(tài)特征空間的維數(shù)，表示樣本對(duì)的數(shù)量。表示第個(gè)由圖像、文本模態(tài)描述構(gòu)成的樣本對(duì)。分別表示圖像和文本模態(tài)的字典，分別表示圖像和文本模態(tài)的哈希函數(shù)，分別表示圖像和文本模態(tài)的哈希碼，其中表示哈希碼的長(zhǎng)度。

根據(jù)上述所述的變量，利用訓(xùn)練集中的樣本的特征構(gòu)建目標(biāo)函數(shù)：

其中為參數(shù)為待定權(quán)重參數(shù)。一般設(shè)置，表明兩個(gè)模態(tài)同等重要；。參數(shù)是模態(tài)間相似性保持的權(quán)重，可以設(shè)置。參數(shù)是正則化項(xiàng)的權(quán)重，可以設(shè)置。表示字典的第個(gè)字典原子，表示字典的第個(gè)字典原子。

步驟s32，求解步驟s31中的目標(biāo)函數(shù)，得到圖像和文本模態(tài)的哈希函數(shù)。

所述步驟s32進(jìn)一步包含以下步驟：

步驟s321,為了更容易求解目標(biāo)函數(shù)，為圖像和文本兩個(gè)模態(tài)分別引入一個(gè)中間變量，和，即字典的系數(shù)矩陣，則目標(biāo)函數(shù)可寫為：

其中，參數(shù)為待定權(quán)重參數(shù)，此參數(shù)也具有一定的魯棒性，可以設(shè)。

步驟s322,初始化字典、哈希函數(shù)和、系數(shù)矩陣和，并設(shè)置最大迭代次數(shù)。

步驟s323,固定其他變量求解，則目標(biāo)函數(shù)可以寫為：

其中const表示常數(shù)，令：，則可以得到閉合解：

其中，表示單位矩陣。

同理：

步驟s324,固定其他變量求解，則目標(biāo)函數(shù)可寫為：

展開上式并對(duì)求導(dǎo)，令其導(dǎo)數(shù)為零，可以得到閉合解：

同理：

步驟s325，固定其他變量求解則目標(biāo)函數(shù)可寫為：

該目標(biāo)函數(shù)通過admm算法（該算法參見參考文獻(xiàn)[11]）進(jìn)行計(jì)算；

同理，用求解的相同方法得到，在此不累述。

步驟s326，判斷迭代次數(shù)是否小于最大迭代次數(shù)，若是，則跳轉(zhuǎn)到步驟s32繼續(xù)迭代過程；若不是，則停止迭代，得到圖像和文本模態(tài)的哈希函數(shù)、。

步驟s4，直接量化圖像和文本模態(tài)訓(xùn)練樣本的表示、得到哈希碼，會(huì)帶來(lái)量化誤差，會(huì)破壞樣本的結(jié)構(gòu)。因此本發(fā)明提出通過為圖像和文本樣本學(xué)習(xí)一個(gè)正交旋轉(zhuǎn)矩陣，最小化量化誤差。

所述步驟s4中為圖像和文本樣本學(xué)習(xí)一個(gè)正交旋轉(zhuǎn)矩陣的方法，具體包含以下步驟：

步驟s41，本發(fā)明提出通過學(xué)習(xí)一個(gè)旋轉(zhuǎn)矩陣最小化量化誤差，量化損失函數(shù)定義為：

其中，為占位符，可以是或，表示符號(hào)函數(shù)。。

步驟s42，求解步驟s41中的量化損失函數(shù)，所述步驟s42進(jìn)一步包含以下步驟：

步驟s421，初始化旋轉(zhuǎn)矩陣及最大迭代次數(shù)，最大迭代次數(shù)一般可設(shè)置為50。

步驟s422，固定，求:

步驟s423，固定，求:

此問題為典型的orthogonalprocrustesproblem，由奇異值分解（svd）的方法求解，即：

則：

步驟s424，判斷是否是最大迭代次數(shù)，如果不是則跳轉(zhuǎn)到s422繼續(xù)迭代；如果是，則停止迭代，得到正交旋轉(zhuǎn)矩陣。

步驟s5，利用圖像和文本模態(tài)的哈希函數(shù)和學(xué)習(xí)的正交旋轉(zhuǎn)矩陣，通過下式計(jì)算所有樣本的哈希碼：

步驟s6，將一個(gè)模態(tài)的測(cè)試集樣本作為查詢樣本，而另一模態(tài)的訓(xùn)練集作為被檢索數(shù)據(jù)集。計(jì)算查詢樣本與被檢索樣本的漢明距離，并按照漢明距離進(jìn)行排序，并返回排序靠前的樣本。

所述的查詢樣本與被檢索樣本的相似度可以利用漢明距離度量，漢明距離越小說明查詢樣本與被檢索樣本的相似度越高，反之亦然。

為了證明本發(fā)明提出方法的有效性，下面將本發(fā)明應(yīng)用于一個(gè)跨媒體數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)包含186577個(gè)樣本對(duì)，可以劃分為10個(gè)語(yǔ)義類。其中圖像用500維的bow向量表示，而文本用1000維的bow向量表示。選取99%的樣本構(gòu)成訓(xùn)練集，剩余的1%的樣本構(gòu)成測(cè)試集。將本發(fā)明應(yīng)用于此數(shù)據(jù)庫(kù)，具體步驟如下：

1)提取數(shù)據(jù)集中圖像和文本數(shù)據(jù)的特征，每副圖像提取500維的bow向量，而每段文本提取1000維的bow向量，并分別構(gòu)建圖像和文本的特征矩陣；

2）通過最小化目標(biāo)函數(shù)保持?jǐn)?shù)據(jù)的相似性，得到圖像和文本模態(tài)的哈希函數(shù)；

3）通過學(xué)習(xí)一個(gè)旋轉(zhuǎn)矩陣最小化量化誤差；

4）利用圖像和文本的哈希函數(shù)和學(xué)習(xí)的正交旋轉(zhuǎn)矩陣計(jì)算查詢數(shù)據(jù)的哈希碼；

5）一個(gè)模態(tài)的測(cè)試集作為查詢樣本，而另一模態(tài)的訓(xùn)練集作為被檢索樣本。給定一個(gè)查詢樣本，計(jì)算與被檢索數(shù)據(jù)集中所有樣本的相似度，并排序，返回排序靠前的數(shù)據(jù)。

綜上所述，本發(fā)明提出的基于映射字典學(xué)習(xí)的跨媒體檢索方法，檢索的準(zhǔn)確率高，容易應(yīng)用于大規(guī)模數(shù)據(jù)集，實(shí)現(xiàn)簡(jiǎn)單等特點(diǎn)。本發(fā)明提出的方法有效的縮小了異構(gòu)數(shù)據(jù)間的語(yǔ)義鴻溝，易于在實(shí)際中應(yīng)用，具有廣闊的應(yīng)用前景和巨大的市場(chǎng)價(jià)值。

以上僅僅是對(duì)本發(fā)明的優(yōu)選實(shí)施方式進(jìn)行描述，其它優(yōu)選實(shí)施方式在此不一一累述，且并非對(duì)本發(fā)明的范圍進(jìn)行限定，在不脫離本發(fā)明設(shè)計(jì)精神的前提下，本領(lǐng)域普通工程技術(shù)人員對(duì)本發(fā)明的技術(shù)方案作出的各種變形和改進(jìn)，均應(yīng)落于本發(fā)明的權(quán)利要求書確定的保護(hù)范圍內(nèi)。

參考文獻(xiàn)

[1]bronsteinm,bronsteina,michelf,etal.datafusionthroughcross-modalitymetriclearningusingsimilarity-sensitivehashing[c].ieeeconferenceoncomputervisionandpatternrecognition,2010:3594-3601.

[2]kumars,udupar.learninghashfunctionsforcross-viewsimilaritysearch[c].internationaljointconferenceonartificialintelligence,2011:1360-1366.

[3]dingg,guoy,zhouj.collectivematrixfactorizationhashingformultimodaldata[c].ieeeconferenceoncomputervisionandpatternrecognition,2014:2075-2082.

[4]zhouj,dingg,guoy.latentsemanticsparsehashingforcross-modalsimilaritysearch[c].acmsigirconferenceonresearchanddevelopmentininformationretrieval,2014:415-424.

[5]zhuangy,wangy,wuf,etal.supervisedcoupleddictionarylearningwithgroupstructuresformulti-modalretrieval[c].aaaiconferenceonartificialintelligence,2013:1070-1076.

[6]hotellingh.relationsbetweentwosetsofvariates.biometrika[j],1936,28(28):321-377.

[7]rafailidisd,crestanif.cluster-basedjointmatrixfactorizationhashingforcross-modalretrieval[c].acmsigirconferenceonresearchanddevelopmentininformationretrieval.2016:781-784.

[8]zheny,yeungd.aprobabilisticmodelformultimodalhashfunctionlearning[c].acmconferenceonknowledgediscoveryanddatamining,2012:940-948.

[9]李武軍,周志華.大數(shù)據(jù)哈希學(xué)習(xí):現(xiàn)狀與趨勢(shì).科學(xué)通報(bào)[j],2015,60(5-6):485-490

[10]gongy,lazebniks,gordoa,etal.iterativequantization:aprocrusteanapproachtolearningbinarycodesforlarge-scaleimageretrieval[j].ieeetransactionsonpatternanalysisandmachineintelligence,2013,35(12):2916-2929.

[11]gus,zhangl,zuow,etal.projectivedictionarypairlearningforpatternclassification[c].advancesinneuralinformationprocessingsystems,2014:793-801。