主页
2015-01-08：研究室独立完成的1篇论文被多媒体领域顶级国际期刊TCSVT接收
本研究室的1篇论文被TCSVT接收为Regular论文：Yuxin Peng, Xiaohua Zhai, Yunzhen Zhao, and Xin Huang, "Semi-Supervised Cross-Media Feature Learning with Unified Patch Graph Regularization", IEEE Transactions on Circuits and Systems for Video Technology (TCSVT), 2015。祝贺翟晓华同学，赵韫禛同学，黄鑫同学！
在跨媒体关联分析与相似性计算上，本文针对跨媒体检索中如何在细粒度层面上深入度量跨媒体相似性的问题，引入了跨媒体分割和超图规约的思想，提出了基于分割和半监督统一超图规约的跨媒体统一特征表示学习方法。将各种媒体数据分割为局部块，一方面利用已知的局部块关联关系建立跨媒体统一关联超图，在细粒度层面上深入挖掘不同媒体的关联关系，从而得到更为有效的统一特征表示；另一方面，在跨媒体相似性计算上，引入了局部关联关系，在统一的KNN图中充分利用局部块来计算跨媒体数据间的相似性。该方法的有效性在3个广泛使用的数据集上得到了验证，包括含有5种媒体类型的XMedia数据集、大规模的NUS-WIDE数据集及Wikipedia数据集。
在跨媒体关联分析与相似性计算上，本文针对跨媒体检索中如何在细粒度层面上深入度量跨媒体相似性的问题，引入了跨媒体分割和超图规约的思想，提出了基于分割和半监督统一超图规约的跨媒体统一特征表示学习方法。将各种媒体数据分割为局部块，一方面利用已知的局部块关联关系建立跨媒体统一关联超图，在细粒度层面上深入挖掘不同媒体的关联关系，从而得到更为有效的统一特征表示；另一方面，在跨媒体相似性计算上，引入了局部关联关系，在统一的KNN图中充分利用局部块来计算跨媒体数据间的相似性。该方法的有效性在3个广泛使用的数据集上得到了验证，包括含有5种媒体类型的XMedia数据集、大规模的NUS-WIDE数据集及Wikipedia数据集。