机读格式显示(MARC)

• 000 01919nam 2200313 450

• 001 0000530259

• 005 20260914142800.0

• 010 __ |a 978-7-5770-2340-3 |d CNY59.00

• 100 __ |a 20260410d2026 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 510000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 基于深度度量学习的跨模态检索研究 |A ji yu shen du du liang xue xi de kua mo tai jian suo yan jiu |d = Deep metric learning for cross-modal retrieval |f 位纪伟, 杨阳著 |z eng

• 210 __ |a 成都 |c 电子科技大学出版社 |d 2026

• 215 __ |a 142页 |c 图 |d 24cm

• 225 2_ |a 博士论丛 |A bo shi lun cong

• 314 __ |a 位纪伟, 1991年生, 电子科技大学计算机科学与技术专业, 博士研究生。现任电子科技大学计算机科学与工程学院研究员、博导。主要研究方向为跨模态检索、人工智能安全等。杨阳, 1983年生, 澳大利亚昆士兰大学信息技术专业, 博士研究生。现任电子科技大学计算机科学与工程学院院长、教授、博导。主要研究方向为多媒体检索、社交媒体分析和机器学习等。

• 320 __ |a 有书目 (第124-142页)

• 330 __ |a 本书共分为六章: 第一章介绍了当前跨模态检索领域的研究现状、发展瓶颈以及本书的主要研究等内容; 第二章介绍了通用加权度量学习框架, 详细分析了现有的度量学习方法, 总结其优点和缺点, 并建立了通用加权度量学习框架来统一现有的度量损失函数; 第三章和第四章分别介绍了自相似度多项式损失函数和相对相似度多项式损失函数, 并进行了大量实验以验证所提方法的有效性; 第五章提出了一种新型的元自步网络, 通过引入元学习机制, 构建了元自步网络, 解决了度量学习领域超参数设定的难题, 并在四个公共数据集上进行了大量的实验, 验证了方法的有效性; 第六章对研究工作进行了总结, 并对跨模态检索领域未来可能的研究方向进行了展望。

• 410 _0 |1 2001 |a 博士论丛

• 510 1_ |a Deep metric learning for cross-modal retrieval |z eng

• 606 0_ |a 机器检索 |A ji qi jian suo |x 研究

• 690 __ |a G254.929.9 |v 5

• 701 _0 |a 位纪伟, |A wei ji wei |f 1991- |4 著

• 701 _0 |a 杨阳, |A yang yang |f 1983- |4 著

• 801 _0 |a CN |b 湖北三新 |c 20260410

• 905 __ |a LJUZC |d G254.929.9/1

• 920 __ |a 222016 |z 1