摘要：随着多模态数据的爆发式增长,跨模态检索作为一种搜索多模态数据的最常用方法,受到越来越多的关注。然而,目前存在的大多数深度学习的方法仅仅采用模型后端最后一个全连接层输出作为模态独有的高层语义表征,忽视了多个层次上不同尺度特征之间的语义相关性,具有一定的局限性。为此,本文提出一种基于特征金字塔融合表征网络的跨模态哈希检索方法。该方法设计了一种特征金字塔融合表征网络,通过在多个层次和不同尺度上进行特征提取并融合,挖掘多个层次上不同尺度下模态特征的语义相关性,充分利用模态特有的特征,使网络输出的语义表征更具有代表性。最后设计了三重损失函数:模态间损失,模态内损失和汉明空间损失对模型进行训练学习。实验结果表明,本文所提方法在MIRFLICKR-25K和NUS-WIDE数据集上均获得了良好的跨模态检索效果。

摘要：[目的/意义]敦煌壁画具有极高的科研和艺术价值,优化资源获取服务,解决图博档中存储的海量敦煌壁画图像资源利用效率低下的问题。[方法/过程]构建敦煌壁画移动视觉搜索模型,提供准确、快速、丰富的资源获取服务。模型包括图文资源库构建、基于深度学习的图像特征提取、基于哈希方法的图像特征压缩、语义特征融合与重排序4个部分;同时构建敦煌壁画图像数据集并人工标注图像语义进行实验。[结果/结论]本文提出的敦煌壁画移动视觉搜索模型mAP为69.93%,较已有模型在性能上有显著提升;融合图像语义特征的相似图像搜索有助于用户更好地理解敦煌壁画内涵。

摘要：为有效存储和处理海量网络报文,设计一种支持多进程共享的高效哈希表。结合开地址法的思想,对链式哈希表进行改进,设计一种既具有灵活处理哈希冲突和占用内存小的优点,又能够进行快速查询和插入操作的哈希表。为实现进程间数据的共享,设计一种高效的内存管理算法处理哈希表申请和释放共享内存的问题。实验结果表明,与标准内存管理库算法相比,所提内存管理算法提高了内存申请和释放的速度,改进的哈希表在哈希冲突较低和较高时,可以保持快速稳定的查找和插入速度。

摘要：为了实现对未见类别图像的有效检索,零样本哈希(ZSH)方法通常将类别属性中的监督知识从已见类转移到未见类。然而,获取类别属性需要花费额外的计算资源,并且视觉特征和类别属性之间存在跨模态的异构鸿沟。此外,现有方法忽视了强偏差问题,导致模型错误地将已见类样本识别为未见类,从而降低了检索精度。与此同时,ZSH在保持哈希码和原始数据语义一致性以及实现哈希码的离散优化等方面也面临着挑战。为此,提出一种原型对齐和域感知的ZSH方法,其不依赖类别属性等特殊监督知识,能够节省注释属性的花销同时避免跨模态异构鸿沟的影响。首先计算各类样本在海明空间中的原型,然后通过对齐哈希码和类原型来学习语义一致的哈希码。为了避免松弛策略造成的量化误差,提出一种离散优化算法来求解哈希码的离散约束,并且实现线性的计算复杂度。同时,设计一个域感知策略用于分离源域和目标域样本,以缓解强偏差问题的影响。在a PY、AWA2和Image Net数据集上的实验结果表明,该方法的检索精度相较对比方法中的最优值分别提升了2.6、9.4和14.9个百分点,训练时间也远低于大部分对比方法。

摘要：为增强hash函数的安全性,提出将哈希函数随机化的观点。将传统确定的哈希函数替换成随机的哈希函数,随机函数具有多种具体形式,在运算的时候通过消息确定随机函数的具体形式,哈希函数的破译者不知道消息,无从得知哈希函数的具体形式而很难破译。提出一些哈希函数的设计新原则,论证基于随机函数的哈希函数满足这些原则,相对于确定的哈希函数具有很好的安全性,对潜在的新型攻击方法进行分析,提出设计的思路,防止这些攻击方法。

摘要：基于d-left算法和片内CAM的硬件哈希表解决方案可以通过一次查表操作获得结果,解决了一般哈希表存在的最坏访问时间的问题;利用片内CAM使哈希表的加入失败概率降到可以忽略的程度,同时提高了存储器的利用率。在实现方面可以按照设计需要折中考虑存储器利用率、加入失败概率、占用片内CAM资源多少以及硬件实现复杂度等因素,具有很好的灵活性和可扩展性,将之应用到基于哈希表的硬件报文分类算法中,可以有效地提高其处理性能。仿真和应用证明其有很好的可行性和实用性。

摘要：项目包含两个建筑——马哈希·卡尔弗的三摩地和纪念馆。卡尔弗曾以在女性教育和解放运动中的开拓性工作,于1958年被印度总统授予国家最高荣誉“Bharat Ratna”，三摩地之上的顶棚是一个钢、木和芒格洛尔砖构成的简单结构，它令人联想到卡尔弗曾经居住过的棚屋，而由此也再现了浦那传统建筑的形象。

摘要：为解决当前流行的哈希检索方法生成的哈希码存在信息冗余,不能很好地保留图像语义相似性等问题,提出一种基于深度卷积神经网络来学习二进制哈希编码的方法。利用深度卷积神经网络提取图像的特征表示;将来自两个完全连接层的图像特征表示输入到哈希层,将分类误差以及阈值误差添加到损失函数中进行训练;将查询图像输入模型得到对应的哈希码。在CIFAR-10和NUS-WIDE两个数据集上进行实验,实验结果表明,所提方法在检索精度方面优于其它现有哈希方法。

摘要：针对目前跨模态哈希方法中存在的哈希码鲁棒性不足、量化误差较大的问题,提出一种重构约束的离散矩阵因式分解哈希算法。通过矩阵因式分解直接学习多模态数据的离散深层潜在语义,避免松弛-量化产生的大量误差;将学习的深层语义重构回原始数据,降低数据中冗余信息的影响,加强哈希码的鲁棒性与可区分性。该算法在Wiki、NUS-WIDE和MirFlickr-25k这3个公开的基准数据集上与最近相关的算法进行实验比较,实验结果表明,所提方法在检索精度和效率上有明显优势。

摘要：为了提高现有基于词典的分词机制的次字查询效率,提出了一种全新的分词词典机制—次字拼音首字母哈希机制。首字查询仍使用成熟的基于逐字二分机制,在首字哈希表中增加该字的拼音首字母字段,次字按其拼音首字母散列到26个子表,子表中记录以首字开头的词组个数并设置次字索引表指针,第3字及其后的字串的匹配仍然采用目前成熟的词典机制。在次字查询时,可大大地缩小查询范围,从而加速了次字查询过程。实验测试表明,该机制在增加少量的存储空间情况下,时间效率提升了15%。