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

  1. 目標：無監督跨模態匹配
  2. 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。
  3. 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

圖1 用於無監督跨模態匹配的SCSM框架

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1四種資料庫用於SCSM方法說明

表2 各種方法在四種資料庫上比較結果

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：
相關文章