买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南京财经大学申请的专利大规模低质量多模态无监督哈希方法及动态流数据检索系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119226344B 。

龙图腾网通过国家知识产权局官网在2025-03-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411339357.2，技术领域涉及：G06F16/2455；该发明授权大规模低质量多模态无监督哈希方法及动态流数据检索系统是由杨帆;胡浩宇;马福民;陈熠辉;丁晓剑;张佳豪;刘欣琪设计研发完成，并于2024-09-25向国家知识产权局提交的专利申请。

本大规模低质量多模态无监督哈希方法及动态流数据检索系统在说明书摘要公布了：本发明属于多模态信息处理领域，公开了大规模低质量多模态无监督哈希方法及动态流数据检索系统，为了充分挖掘大规模低质量多模态数据的强判别力哈希码，采取内层和外层组合的多层哈希码映射模式，构建了稀疏正则化多层哈希映射模型；为了融合低质量多模态数据中各种模态数据之间的独特特征内容和语义一致性特征内容，将不同模态映射对应的归约模态空间，并对各个归约模态空间内联耦合建模。本发明对上述申请方法进一步扩展到动态多模态流数据环境中，构建的动态流数据哈希函数求解器全局损失函数，能够逐步有序稳定的挖掘动态流数据语义信息，增强了低质量动态流数据哈希函数的学习判别力，实现对大规模低质量动态多模态流数据进行快速检索。

本发明授权大规模低质量多模态无监督哈希方法及动态流数据检索系统在权利要求书中公布了：1.大规模低质量多模态无监督哈希方法，其特征在于，包括以下步骤：步骤1、获取大规模低质量环境下的多模态数据，提取多模态数据的样本特征信息，并对得到的样本特征进行样本中心化处理和RBF核化处理，得到处理后的多模态数据特征；具体为：所述多模态数据包括低质量图像样本和低质量文本样本，利用图像深度网络模型提取低质量图像样本的特征信息得到低质量图像特征S1，利用文本深度网络模型提取文本低质量样本的特征信息得到低质量文本特征S2；分别对低质量图像特征和低质量文本特征进行样本中心化处理和RBF核化处理，得到处理后的图像特征和文本特征步骤2、构建稀疏正则化分层哈希映射模型，挖掘大规模低质量环境下多模态样本对应的强语义判别哈希码，并构建多模态矩阵分解哈希学习模型，融合各种模态数据之间的独特特征内容和语义一致性特征内容，得到多模态无监督哈希学习全局损失函数；求解多模态数据的哈希码，并计算各个模态对应的哈希函数；具体为：步骤2-1、为了充分挖掘大规模低质量环境下，多模态样本对应的强语义判别哈希码，构建稀疏正则化多层哈希映射模型： 式中，B为待学习的哈希码，r为哈希码长度，n为多模态数据集的大小，P1为图像模态的外层哈希映射矩阵，R1为图像模态的内层哈希映射矩阵，P2为文本模态的外层哈希映射矩阵，R2为文本模态的内层哈希映射矩阵，θ是多层哈希映射平衡参数，δ是稀疏正则化参数，tr.表示矩阵的迹运算，||.||表示矩阵的L21范数；步骤2-2、为了融合各种模态数据之间的独特特征内容和语义一致性特征内容，构建多模态矩阵分解哈希学习模型： 式中，U1为图像模态的转换矩阵，Ε1为图像模态的独特矩阵，U2为文本模态的转换矩阵，Ε2为文本模态的独特矩阵，β是平衡参数，a是多模态独特特征参数，μ是正则化参数；步骤2-3、结合步骤2-1和步骤2-2，构建多模态无监督哈希学习全局损失函数： 步骤2-4、采用交替迭代优化求解方法求解参数R1,R2,P1,P2，U1，U2，E1,E2,B的值；步骤2-5、基于参数R1,R2,P1,P2，进一步解算图像模态的哈希函数H1，其值为H1＝P1R1；同理，解算文本模态的哈希函数H2，其值为H2＝P2R2；步骤3、利用查询样本模态对应的哈希函数，对待查询样本进行哈希编码映射，得到待查询样本对应的查询哈希码；将得到的查询哈希码与大规模低质量环境下的多模态数据中的哈希码进行海明距离解算，得到相应的检索结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京财经大学，其通讯地址为：210023 江苏省南京市仙林大学城文苑路3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。