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！

龙图腾网获悉昆明理工大学申请的专利一种基于自适应类相关离散哈希的零样本跨模态检索方法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：CN116150411B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202310015618.4，技术领域涉及：G06F16/432；该发明授权一种基于自适应类相关离散哈希的零样本跨模态检索方法是由舒振球;永凯玲;余正涛;高盛祥;毛存礼;李莉;白益冰设计研发完成，并于2023-01-06向国家知识产权局提交的专利申请。

本一种基于自适应类相关离散哈希的零样本跨模态检索方法在说明书摘要公布了：本发明公开了一种基于自适应类相关离散哈希的零样本跨模态检索方法。提出了一种新的跨模态零样本哈希方法来有效地转移类属性知识，该方法通过将标签信息与类属性信息相融合来构建语义增强嵌入，通过该嵌入可以解决多标签实例的类属性对应问题。通过学习语义增强嵌入为特征表示嵌入更多的语义信息，以此来平衡图像和文本之间的检索结果。该方法充分考虑类属性间的相关性，自适应地为哈希码中嵌入更多的类属性语义信息。同时，在哈希码中可以很好地捕捉可见类和不可见类之间的关系，从而可以将属性知识从可见类转移到不可见类中。最后，在哈希码学习中嵌入成对相似性来加强哈希码中的语义信息。本发明提高了在零样本跨模态检索情景中的检索精度。

本发明授权一种基于自适应类相关离散哈希的零样本跨模态检索方法在权利要求书中公布了：1.一种基于自适应类相关离散哈希的零样本跨模态检索方法，其特征在于：所述方法的具体步骤如下： Step1、跨模态数据集特征提取：对原始跨模态数据集中的图像和文本进行特征提取以及对数据集中包含的类进行属性向量提取； Step2、数据集划分：将现有的跨模态数据集划分为符合零样本跨模态检索情景的数据集； Step3、建立基于自适应类相关离散哈希的零样本跨模态检索模型：首先，通过标签信息、类属性信息构建语义增强嵌入；然后，将语义增强嵌入、类属性间相关性、成对相似性以及特征矩阵融入到同一个框架中，建立基于自适应类相关离散哈希的零样本跨模态检索模型； Step4、模型的更新优化：设计迭代离散优化算法来求解Step3得到的模型，直到模型收敛或达到最大迭代次数，得到训练集的哈希码以及哈希函数； Step5：零样本跨模态检索：首先，通过Step4训练的哈希函数得到检索集和查询集的哈希码；然后，将查询集放入检索集进行查询，通过计算查询集的哈希码与检索集中各样本的哈希码之间的汉明距离来获取查询结果，汉明距离最小者即为最终的查询结果； 所述Step2的具体方法为：第一步，在原始数据集中选取10%的样本作为查询集，其余的样本作为训练集；第二步，从整个数据集的所有类中随机选取20%的类作为不可见类，其余的类为可见类；第三步，为了符合零样本跨模态检索情景，重新来划分数据集中的训练集、查询集和检索集；其划分的方法为将第一步中得到的查询集中的不可见类对应的样本对作为新的查询集；将第一步中得到的训练集中可见类对应的样本对作为新的训练集；检索集由第一步中得到的训练集组成； 所述Step3中所构建的模型包括哈希码学习和哈希函数两个部分，首先，通过标签信息、类属性信息构建语义增强嵌入；然后，将语义增强嵌入、类属性间相关性、成对相似性以及特征表示融入到同一个框架中来学习哈希码；其次，通过最小化最小二乘回归问题来学习哈希函数；最后，将哈希码学习和哈希函数学习放到同一个模型中进行训练；其该模型对应的目标函数为： ； ； 1； ； 其中，，表示模型的正则化项，用于防止过拟合；是控制正则化项的参数，和分别为图像和文本两个模态的特征经过核函数得到的矩阵；为语义增强嵌入；和分别为两个模态对应的漂移；是一个元素全为1的维列向量；为成对相似性矩阵，为类属性间的相关性矩阵；、、为投影矩阵；为哈希码库，为哈希码；、、和为非负参数，为可见类样本总数，为哈希码长度。

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昆明理工大学，其通讯地址为：650500 云南省昆明市呈贡区景明南路727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”。

以上内容由龙图腾AI智能生成。