2023-05-10计算机应用,JournalofComputerApplications2023,43(5):1349-1354ISSN1001-9081CODENJYIIDUhttp：//www.joca.cn基于判别性矩阵分解的多标签跨模态哈希检索谭钰1，王小琴1，蓝如师1*，刘振丙1，罗笑南2（1.广西图像图形与智能处理重点实验室（桂林电子科技大学），广西桂林541004；2.卫星导航定位与位置服务国家地方联合工程研究中心（桂林电子科技大学），广西桂林541004）（∗通信作者电子邮箱rslan2016@163.com）摘要：现有的跨模态哈希算法低估了不同类别标签之间语义差异的重要性，忽略了哈希向量的平衡条件，导致所学习到的哈希码的判别性能差。此外，一些方法利用标签信息构造相似性矩阵，并将多标签数据视为单标签数据进行建模，这在多标签跨模态检索中造成了较大的语义损失。为了保留异构数据之间精确的相似程度和哈希向量的平衡特性，提出了一种新的有监督哈希算法——基于判别性矩阵分解的多标签跨模态哈希检索（DMFH）。该方法利用核化特征的协同矩阵分解（CMF）获得了一个共享的隐式子空间；同时利用数据之间共有标签的比例来描述异构数据的相似程度；此外，利用标签的平衡信息构造平衡矩阵，生成具有平衡特性的哈希向量，并最大化不同类别标签之间的类间距。在两个常用多标签数据集MIRFlickr和NUS-WIDE上与7种先进的跨模态哈希方法进行对比，在“以图搜文”（I2T）和“以文搜图”（T2I）任务上，DMFH均取得了最高的平均精度均值（mAP），而且T2I任务的mAP更优，说明DMFH能够更有效地利用文本模态中的多标签语义信息。还分析了所构造的平衡矩阵与相似性矩阵的有效性，验证了DMFH算法能有效保持语义信息和相似性关系，在多标签跨模式检索中是有效的。关键词：跨模态检索；矩阵分解；哈希学习；平衡向量；多标签数据中图分类号：TP181；TP391文献标志码：AMulti-labelcross-modalhashingretrievalbasedondiscriminativematrixfactorizationTANYu1，WANGXiaoqin1，LANRushi1*，LIUZhenbing1，LUOXiaonan2（1.GuangxiKeyLaboratoryofImageandGraphicIntelligentProcessing（GuilinUniversityofElectronicTechnology），GuilinGuangxi541004，China；2.SatelliteNavigationPositioningandLocationServiceNationalandLocalJointEngineeringResearchCenter（GuilinUniversityofElectronicTechnology），GuilinGuangxi541004，China）Abstract:Existingcross-modalhashingalgorithmsunderestimatetheimportanceofsemanticdifferencesb...
