基于哈希算法的异构多模态数据检索研究
【摘要】 随着大数据时代的发展，网络上的文本、图像、视频、音频等异构多模态数据呈指数级增长。在海量数据中进行异构多模态数据的检索，成为了热门的研究方向。但是，异构多模态数据检索面临两大挑战:1）数据存在“语义鸿沟”，即如何表达异构多模态数据之间的相似性;2）在海量数据中，如何进行准确高效的检索。针对哈希检索算法忽略了异构多模态数据之间语义一致性的问题，文中提出了一种基于CCA（典型相关性分析）语义一致性的哈希检索算法（CCA-SCH）。该算法为了保持模态内的语义一致性，分别生成文本和图像数据的语义模型;为了保持模态间的语义一致性，通过CCA算法融合文本和图像语义，生成最大相关矩阵;同时引入2，ρ范式来减少原始数据集的噪声和冗余信息，使哈希函数具有更好的鲁棒性。实验结果表明，CCA-SCH算法在实验数据集上的均值平均准确率（Map）相较于基准算法提升了10%以上，体现了该算法更好的检索性能。
