山东建筑大学王永欣获国家专利权
买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
龙图腾网获悉山东建筑大学申请的专利基于带权哈希码的多媒体数据跨模态检索方法及系统获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN115795065B 。
龙图腾网通过国家知识产权局官网在2025-07-18发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202211377750.1,技术领域涉及:G06F16/48;该发明授权基于带权哈希码的多媒体数据跨模态检索方法及系统是由王永欣;董峰;宿鹏浩设计研发完成,并于2022-11-04向国家知识产权局提交的专利申请。
本基于带权哈希码的多媒体数据跨模态检索方法及系统在说明书摘要公布了:本发明公开了一种基于带权哈希码的多媒体数据跨模态检索方法及系统,该方法包括构建训练样本集;对训练样本进行特征提取,获取不同模态的训练样本的特征,训练哈希检索模型;该哈希检索模型包括哈希码和哈希函数,基于训练样本的特征和语义标签,学习训练集样本数据的哈希码和位权矩阵,以及学习不同模态的哈希函数;将待检索数据输入训练完成的哈希检索模型,根据提取的待检索数据的特征,结合该待检索数据相应模态的哈希函数,获得待检索数据的哈希码,根据该待检索数据哈希码与数据库中样本数据哈希码的带权海明距离,输出检索结果。本发明通过学习各位哈希码的权重,强调不同码的独特贡献,有效提高跨模态的检索能力。
本发明授权基于带权哈希码的多媒体数据跨模态检索方法及系统在权利要求书中公布了:1.一种基于带权哈希码的多媒体数据跨模态检索方法,其特征在于,包括: 获取不同模态的多媒体数据,构建训练样本集; 对训练样本进行特征提取,获取不同模态的训练样本的特征,训练哈希检索模型;所述哈希检索模型包括哈希码和哈希函数,基于训练样本的特征和语义标签,学习训练集样本数据的哈希码和位权矩阵;基于训练样本的特征和哈希码,学习不同模态的哈希函数; 所述哈希检索模型的训练过程,包括: 利用聚类算法将训练集中的训练数据划分为多组,构造每组的局部类别关联矩阵;具体为:利用聚类算法对训练样本特征进行聚类,将训练集中的训练数据划分为p组,针对每组训练数据,定义局部的类别关联矩阵,即: ; 其中,为训练集样本数据的语义标签矩阵,c为标签类别数,n为训练集样本数,是行归一化的第m组语义标签矩阵;其中,整个训练集的语义标签矩阵指取值为1和0的逻辑标签矩阵,即对于该矩阵中的每个元素,=1表示训练集中第j个样本属于第i个类别,否则=0表示训练集中第j个样本不属于第i个类别;对于分组后的语义标签矩阵,=1表示第m组第j个样本属于第i个类别,否则=0表示第m组第j个样本不属于第i个类别; 根据局部类别关联矩阵和语义标签,获得每组的局部标签分布矩阵,组合得到训练样本的全局标签分布矩阵;具体为:利用局部类别关联矩阵和训练集样本的语义标签定义学习标签分布的目标函数,该目标函数主要包含两部分:标签分布与语义标签尽可能相似,以及同一组内所有样本在任意两个类别上的标签分布向量间距离与相应的语义类别值保持一致,该目标函数为: ; 其中,是用于调整前后两项贡献的平衡参数,、、分别为标签分布矩阵、语义标签矩阵和类别关联矩阵,c为标签类别数,n为训练集样本数,矩阵下标m表示通过对训练数据特征聚类后的分组组号,下标*表示对应矩阵取满该列或行,表示矩阵第i行这一整行; 对目标函数公式求导并使导数为0,得到第m组的标签分布矩阵,即: ; 其中,是的拉普拉斯矩阵,是一个全1矩阵,通过计算所有组的局部标签分布矩阵,组合即得到训练样本的全局标签分布矩阵; 利用生成的标签分布矩阵构造相似度矩阵,通过将带权哈希码内积近似该相似度矩阵构建目标函数,求解获得哈希码矩阵和位权矩阵; 将待检索数据输入训练完成的哈希检索模型,根据提取的待检索数据的特征,结合该待检索数据相应模态的哈希函数,获得待检索数据的哈希码,根据该待检索数据哈希码与数据库中样本数据哈希码的带权海明距离,输出检索结果。
如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人山东建筑大学,其通讯地址为:250100 山东省济南市历城区临港开发区凤鸣路1000号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。