<th id="yqwf0"></th>
  1. <code id="yqwf0"></code>
  2. <small id="yqwf0"></small>
    <code id="yqwf0"><progress id="yqwf0"></progress></code>
    <code id="yqwf0"><menu id="yqwf0"><samp id="yqwf0"></samp></menu></code><listing id="yqwf0"></listing>

        1. 歡迎來到:湖北大學數學與統計學學院!

          學術報告
          Semi-Paired Deep Manifold Hashing: A Divide-and-Conquer Approach for Unsupervised Cross-Modality Retrieval
          作者:      發布時間:2020-08-21       點擊數:
          報告時間 2020年08月21日16:30 報告地點 騰訊會議(會議ID:827 328 094)
          報告人 尤新革(華中科技大學)

          報告名稱:Semi-Paired Deep Manifold Hashing: A Divide-and-Conquer Approach for Unsupervised Cross-Modality Retrieval

          主辦單位:數學與統計學學院

          報告專家:尤新革

          專家所在單位:華中科技大學

          報告時間:2020年8月21日16:30-18:30

          報告地點:騰訊會議827 328 094

          專家簡介:尤新革,博士、教授、博士生導師。2004年博士畢業于香港浸會大學,國際電子電氣工程協會高級會員,國際電子電氣工程協會系統、人與機器協會模式識別技術委員會副主席,曾任和現任IEEE Transactions on Cybernetics, Neurocomputing等國際刊物編委或客座主編,中國計算機學會視覺專委會委員,中國人工智能協會模式識別專委會委員?,F任國家防偽工程技術研究中心主任,入選教育部新世紀優秀人才支持計劃。長期從事計算機視覺,機器學習與數據挖掘,模式識別,圖像與信號處理,小波分析及其應用,生物特征識別與智能防偽等方面研究,近年主持完成國家支撐計劃、國際合作重點項目、國家自然科學基金等國家、省部級項目二十余項,先后獲湖北省科技進步三等獎,重慶市自然科學二等獎,湖北省自然科學三等獎中国足球彩票_足彩胜负14场;在國際權威刊物及國際會議上發表論文120余篇,其中SCI檢索80余篇。參與合作撰寫生物特征識別英文專著兩本,獲得授權發明專利20余項;先后擔任安全、模式分析與控制論等多個國際學術會議大會主席和程序委員會主席中国足球彩票_足彩胜负14场。主持研發多國紙幣及票據的多光譜圖像圖像采集與分析檢測、鑒偽中国足球彩票_足彩胜负14场、機讀識別等多項核心技術,多光譜票據、證照鑒偽檢測與機讀識別等領域多項核心技術國內領先中国足球彩票_足彩胜负14场,通過與國內多家大型金融機具生產廠家的合作,已將相關成果廣泛應用清分機、票據、證照鑒偽等產品中中国足球彩票_足彩胜负14场。相關產品在四十多家國內外商業銀行等獲得商業應用中国足球彩票_足彩胜负14场。

          報告摘要:Hashing that projects data into binary codes has shown extraordinary talents in cross modal retrieval due to its low storage usage and high query speed. Despite their empirical success on some scenarios, existing hashing methods usually fail to preserve local and global similarity concurrently when plenty of labeled information and amounts fully-paired data are both nonexistent. To circumvent this drawback, motivated by the Divide-and-Conquer strategy, we propose Semi-Paired Deep Manifold Hashing (SPDMH), a novel method of dividing the problem of semi-paired unsupervised cross-modal retrieval into three sub-problems and building one simple yet efficiency model for each sub-problem. Specifically, the first model is constructed for preserving local similarity and complementing semi-paired data based on manifold learning, whereas the second model aims to handle global-similarity and binarization by optimizing KL-divergence. Finally, the third model is designed to learn hash functions and feature extraction strategy for different modalities using deep neural networks. Extensive experiments on Flickr-25k, MS COCO and NUS WIDE datasets demonstrate the superiority of our SPDMH compared with the state-of-the-art fully-paired unsupervised cross-modal hashing methods.

          邀請人:鄒斌


          版權所有? 湖北大學 2014 湖北大學數學與統計學學院

          地址:湖北省武漢市武昌區友誼大道368號 郵政編碼:430062

          Email:stxy@hubu.edu.cn 電話:027-88662127

          中国足球彩票_足彩胜负14场