亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Deep Multimodal Transfer Learning for Cross-Modal Retrieval

计算机科学 学习迁移 人工智能 模式 不相交集 模态(人机交互) 深度学习 知识转移 集合(抽象数据类型) 构造(python库) 领域(数学分析) 机器学习 情态动词 情报检索 自然语言处理 社会学 程序设计语言 高分子化学 化学 数学分析 组合数学 知识管理 社会科学 数学
作者
Liangli Zhen,Peng Hu,Xi Peng,Rick Siow Mong Goh,Joey Tianyi Zhou
出处
期刊:IEEE transactions on neural networks and learning systems [Institute of Electrical and Electronics Engineers]
卷期号:33 (2): 798-810 被引量:48
标识
DOI:10.1109/tnnls.2020.3029181
摘要

Cross-modal retrieval (CMR) enables flexible retrieval experience across different modalities (e.g., texts versus images), which maximally benefits us from the abundance of multimedia data. Existing deep CMR approaches commonly require a large amount of labeled data for training to achieve high performance. However, it is time-consuming and expensive to annotate the multimedia data manually. Thus, how to transfer valuable knowledge from existing annotated data to new data, especially from the known categories to new categories, becomes attractive for real-world applications. To achieve this end, we propose a deep multimodal transfer learning (DMTL) approach to transfer the knowledge from the previously labeled categories (source domain) to improve the retrieval performance on the unlabeled new categories (target domain). Specifically, we employ a joint learning paradigm to transfer knowledge by assigning a pseudolabel to each target sample. During training, the pseudolabel is iteratively updated and passed through our model in a self-supervised manner. At the same time, to reduce the domain discrepancy of different modalities, we construct multiple modality-specific neural networks to learn a shared semantic space for different modalities by enforcing the compactness of homoinstance samples and the scatters of heteroinstance samples. Our method is remarkably different from most of the existing transfer learning approaches. To be specific, previous works usually assume that the source domain and the target domain have the same label set. In contrast, our method considers a more challenging multimodal learning situation where the label sets of the two domains are different or even disjoint. Experimental studies on four widely used benchmarks validate the effectiveness of the proposed method in multimodal transfer learning and demonstrate its superior performance in CMR compared with 11 state-of-the-art methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
21秒前
bixiao发布了新的文献求助10
28秒前
sailingluwl完成签到,获得积分10
32秒前
44秒前
自然的衫完成签到 ,获得积分10
51秒前
1分钟前
寻道图强应助科研通管家采纳,获得30
1分钟前
Owen应助科研通管家采纳,获得10
1分钟前
Raunio完成签到,获得积分10
2分钟前
2分钟前
蔡俊辉发布了新的文献求助10
2分钟前
邹醉蓝完成签到,获得积分10
2分钟前
蔡俊辉完成签到,获得积分10
2分钟前
2分钟前
晓晓发布了新的文献求助10
2分钟前
脑洞疼应助晓晓采纳,获得10
2分钟前
hayk发布了新的文献求助10
2分钟前
fhiery完成签到,获得积分10
3分钟前
大先生完成签到 ,获得积分10
3分钟前
3分钟前
寻道图强应助科研通管家采纳,获得30
3分钟前
SciGPT应助科研通管家采纳,获得10
3分钟前
fhiery发布了新的文献求助10
3分钟前
大先生完成签到 ,获得积分10
3分钟前
3分钟前
Kry4taloL发布了新的文献求助10
3分钟前
吴文章发布了新的文献求助10
4分钟前
招水若离完成签到,获得积分10
5分钟前
5分钟前
梦_筱彩完成签到 ,获得积分10
5分钟前
英俊的铭应助科研通管家采纳,获得10
5分钟前
寻道图强应助科研通管家采纳,获得30
5分钟前
Umair发布了新的文献求助10
5分钟前
草上飞完成签到 ,获得积分10
5分钟前
香蕉觅云应助Umair采纳,获得10
5分钟前
吴文章发布了新的文献求助10
5分钟前
6分钟前
Axel完成签到,获得积分10
6分钟前
晓晓发布了新的文献求助10
7分钟前
吴文章完成签到 ,获得积分10
7分钟前
高分求助中
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
宽禁带半导体紫外光电探测器 388
Case Research: The Case Writing Process 300
Global Geological Record of Lake Basins 300
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3142675
求助须知:如何正确求助?哪些是违规求助? 2793563
关于积分的说明 7806939
捐赠科研通 2449815
什么是DOI,文献DOI怎么找? 1303501
科研通“疑难数据库(出版商)”最低求助积分说明 626959
版权声明 601314