《表2 在Wiki和NUS数据集上MAP值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《重构约束的离散矩阵因式分解跨模态哈希》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对于Wiki数据集，从表2的数据可以看出，本文的方法在不同哈希码长度下的MAP值优于所对比的方法，验证了本方法在跨模态检索任务中的有效性。值得注意的是，通过观察表2，可以发现大部分有监督跨模态哈希方法比无监督的跨模态哈希方法检索效果更好，这是因为有监督的方法通过嵌入真实的标签信息到哈希码中，可以大幅增加哈希码的判别力，因此有监督的方法通常比无监督的方法检索效果好。但是可以看到无监督的RFDH在文本检索图像任务中效果比有监督的SMFH好，这是因为RFDH是使用离散的优化方法优化哈希码，避免了松弛-量化过程造成的量化误差，而SMFH是使用松弛-量化的方法优化哈希码，所以无监督的RFDH效果比有监督的SMFH好。而本文方法也是采用离散的优化方法，因此检索效果优于非离散的方法。此外，通过表2还可以观察到，哈希码的码长越长，效果越好，这是因为哈希码的码长越长，哈希码所能保存的信息越多，因此检索效果越好。由于本文方法与RMVH均使用数据重构，使得哈希码能够尽可能少的受到冗余信息的干扰，哈希码所保存原始数据的主要信息比其它方法更多，因此检索的效果优于其它对比方法。