一种具有平衡标签预测能力的在线哈希算法

针对传统离线哈希算法训练模型耗时、占用内存大和不易更新模型的问题,以及现实图像集的标签存在大量损失的现象,提出了一种能够平衡标签预测的在线哈希算法(BLPOH)。BLPOH通过标签预测模块生成预测标签,并融合残缺的真实标签,能够有效缓解因标签损失导致的模型性能下降。观察到标签存在分布不平衡现象,提出标签类别相似性平衡算法并应用于标签预测模块,提升标签预测的准确性。将旧数据的信息加入哈希函数的在线更新过程,提升模型对旧数据的兼容性。通过在两个广泛使用的数据集上进行实验,并和一些当前先进的算法进行对比,结果证实了BLPOH的优越性。

双重结构保持的在线跨模态哈希

近年来,在线跨模态哈希因其能处理更为贴近现实的流数据场景而受到广泛关注.虽然取得了不错的进展,但现有方法大都依赖准确清晰的数据标记.目前,针对无监督学习模式下在线跨模态哈希的研究相对较少,还有很多问题有待解决.例如,新到达的数据流通常规模较小,因此常常存在分布不平衡的现象.而现有模型极少关注这个问题,导致模型对离群样本敏感,鲁棒性较差.并且,现有方法大都关注样本的整体结构而忽视了邻域信息对于生成公共哈希码的帮助.为了解决上述问题,提出了基于双重结构保持的无监督在线跨模态哈希方法,称为SPOCH(structure preserving online cross-modal hashing).该方法的基本思想是同时挖掘样本空间的全局结构信息和邻域结构信息来生成相应的公共表示,用以指导哈希码和哈希函数的学习.针对全局结构的学习,引入L_(2,1)范数取代L_(2)范数来约束损失函数,利用L_(2,1)范数结构化稀疏的性质缓解模型对离群样本的敏感性;针对邻域结构的学习,利用多模态融合的邻域样本进行样本重构,使得所学公共表示更好地表征多模态信息.此外,为了缓解遗忘问题,提出在新旧数据上联合优化,并设计相应的更新策略提高算法的训练效率,实现在线检索.在2个广泛使用的跨模态检索数据集上进行的实验结果表明,较现有最先进的无监督在线跨模态哈希方法,SPOCH在可比较甚至更短的训练时间内取得了更优的检索精度,验证了所提方法的有效性.

在线图正则化非负矩阵分解跨模态哈希

跨模态哈希具有存储成本低、查询速度快的特性,是一种有效的跨媒体检索方法,近年来得到了广泛的关注。然而,现有的跨模态哈希方法普遍基于批量学习模式来学习哈希函数,该模式不能处理大规模数据集,内存消耗大,训练流数据效率较低。为解决上述问题,提出了在线跨模态哈希方法,但大多数方法均关注于将不同模态的数据映射到一个公共的低维空间中,从而消除不同模态之间异构性,实现跨模态检索。而对于同一模态内数据之间的相关性没有充分挖掘利用,使得最终学习到的哈希编码检索精度不高。提出在线图正则化非负矩阵分解跨模态哈希(OGNMFH)检索方法,充分利用数据模态内的局部流形结构信息和数据的类别标签信息,同时保持数据模态间相似性和模态内相似性,得到判别性更高的哈希码。通过在三个经典数据集上进行大量实验,证明了该方法可有效提升在线哈希学习的检索精度。

哈希在线分析仪在石化废水COD测定中的应用

介绍了美国哈希公司COD在线分析仪的工作原理、仪器结构与测量步骤,以及在中石化金陵分公司污染源在线监测系统中的应用。分析了仪器常见故障产生的原因与排除方法,提出应注重仪器的日常运行检查,采取相应的质量控制措施,确保自动监测数据的有效性。

基于学习型哈希的在线近邻查找算法

基于哈希的近邻查找技术在图像检索、文本匹配、数据挖掘等信息检索领域均有广泛应用.该技术将原始数据通过哈希函数压缩成低维的二进制编码,然后在海明距离下排序检索,具有快速高效且维度不敏感的优势.但是,目前学术界针对流数据的实时在线哈希学习方法的研究很少,而且基本没有讨论哈希函数的更新频率和稳定性问题.针对这一问题,通过增加置信区间来减少更换哈希函数的频率,并构造在线学习的目标函数,使得算法尽可能保持稳定,且快速收敛.为了验证所提出算法的效率和有效性,在公开数据集上与同类的OSH、OKH在线哈希算法进行比较,比较结果表明,所提出的算法在平均准确率和训练时间上有一定优势.