面向弱匹配的跨媒异构迁移学习

摘要：

针对面向弱匹配的跨媒异构迁移学习中存在的迁移学习性能不高的问题, 提出了一种基于平衡异构距离的混合拉普拉斯特征映射的跨媒异构迁移学习方法. 利用大量非成对数据和相对少量的成对数据蕴含的语义信息, 获取不同媒体域原始特征空间到潜在公共特征空间的映射矩阵; 并在跨媒异构迁移学习中, 构建混合图拉普拉斯矩阵,不仅保持了同一域下样本间的流形结构, 而且保持不同域下样本间的流形结构; 提升训练获得的模型在跨媒异构目标域的分类预测性能. 在 2个公共数据集 NUS-WIDE和 LabelMe上进行实验, 表明了在成对数据的基础上, 利用大量非成对数据可以增加模型的准确率和鲁棒性.

关键词：跨媒异构迁移学习、弱匹配问题、异构距离、混合图拉普拉斯矩阵

所属期刊栏目：31

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金61602004;安徽省高校自然科学研究重点项目KJ2018A0013,KJ2017A011;安徽省自然科学基金1908085MF188,1908085MF182;安徽省重点研究与开发计划项目1804d08020309

在线出版日期：2019-12-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1963-1972