融合多层语义的跨模态检索
【摘要】 如何挖掘出不同模态数据之间的潜在语义关联是跨模态检索算法的核心问题。已有研究表明，将表示学习和关联学习融合的模式比较适用于跨模态检索的任务，但目前基于这一模式的模型的不同模态数据的抽象层次之间只包含着1-1的对应关联关系。由于异构多模态数据的抽象粒度并不完全相同，对此它们之间的关联关系很可能不只存在于指定的抽象层上。因此，提出了一种融合多层语义的跨模态检索模型，它利用深度玻尔兹曼机的双向结构特点，实现了将文本模态数据的不同抽象层次同时关联到图像模态数据的多个抽象层上，从而更充分地挖掘不同模态数据抽象层之间N-M的内在关联。基于3个公开数据集的实验结果表明，该模型优于之前类似的跨模态检索模型，具有更高的检索精确度。
