SCSM: Self-Paced Cross-Modal Subspace Matching
來源:Liang J , Li Z , Cao D , et al. Self-Paced Cross-Modal Subspace Matching.[C]// International Acm Sigir Conference on Research & Development in Information Retrieval. ACM, 2016.
一、摘要
- 目標:無監督跨模態匹配
- 挑戰:大多數方法不能利用標籤信息降低語義鴻溝,本文採用解決了非凸聯合特徵學習和數據組合問題。
- 貢獻:
- 提出無監督的SCSM演算法同時解決hard pair-wised constraints 和 soft semantic group constraints;
- 自步學慣用於消除soft semantic group評估不準確問題,多模態圖正則化保留模態間和模態內相似性;
- 提出了一種交叉極小化方法來最小化所提出的非凸優化問題。
二、模型
與JFSSL演算法相比,引入了自步學習,從簡單到複雜的訓練模型。
三、方法
最後,使用交叉極小化迭代方法來最小化所提出的非凸優化問題(12)。
四、實驗
表2說明:CCA到UGMLAD為無監督學習方法;CDFE到JFSSL為監督學習方法;SCSM為無監督學習方法。
推薦閱讀: