QQ客服 官方微博 反馈留言

浏览/检索结果: 共7条，第1-7条 帮助 限定条件 发表日期：2017    内容类型：会议论文     已选(0)清除 条数/页：5101520253035404550556065707580859095100   排序方式：请选择作者升序作者降序题名升序题名降序发表日期升序发表日期降序提交时间升序提交时间降序 Efficient Cross-modal Retrieval Using Social Tag Information Towards Mobile Applications 会议论文 德国慕尼黑, 2017 作者:  Jianfeng He;  Qingming Huang;  Weigang Zhang;  Qiang Qu;  Shuhui Wang 收藏  |  浏览/下载：20/0  |  提交时间：2018/02/02 Deep Multimodal Embedding Model for Fine-grained Sketch-based Image Retrieval 会议论文 作者:  Huang, Fei;  Cheng, Yong;  Jin, Cheng;  Zhang, Yuejie;  Zhang, Tao 收藏  |  浏览/下载：5/0  |  提交时间：2019/08/22 Fine-grained Sketch-based Image Retrieval (Fine-grained SBIR)  Deep Multimodal Embedding  Multimodal Ranking Loss   TOWARDS SKETCH-BASED IMAGE RETRIEVAL WITH DEEP CROSS-MODAL CORRELATION LEARNING 会议论文 作者:  Huang, Fei;  Jin, Cheng;  Zhang, Yuejie;  Zhang, Tao 收藏  |  浏览/下载：6/0  |  提交时间：2019/08/22 Sketch-based Image Retrieval  Deep Multimodal Feature Generation  Deep Cross-modal Correlation Learning  Similarity Search Optimization   Learning Deep Semantic Embeddings for Cross-Modal Retrieval 会议论文 韩国首尔, 2017.11.15-17 作者:  Cuicui Kang;  Liao SC(廖胜才);  Zhen Li;  Zigang Cao;  Gang Xiong 收藏  |  浏览/下载：13/0  |  提交时间：2018/01/05 Pairwise Relationship Guided Deep Hashing for Cross-Modal Retrieval 会议论文 THIRTY-FIRST AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE, 2017-01-01 作者:  Yang, Erkun;  Deng, Cheng;  Liu, Wei;  Liu, Xianglong;  Tao, Dacheng 收藏  |  浏览/下载：4/0  |  提交时间：2019/12/30 Pairwise relationship guided deep hashing for cross-modal retrieval 会议论文 31st AAAI Conference on Artificial Intelligence, AAAI 2017, San Francisco, CA, United states, 2017-02-04 作者:  Yang, Erkun;  Deng, Cheng;  Liu, Wei;  Liu, Xianglong;  Tao, Dacheng 收藏  |  浏览/下载：5/0  |  提交时间：2019/12/30 Online Cross-Modal Scene Retrieval by Binary Representation and Semantic Graph 会议论文 PROCEEDINGS OF THE 2017 ACM MULTIMEDIA CONFERENCE (MM'17), 2017-01-01 作者:  Qi, Mengshi;  Wang, Yunhong;  Li, Annan 收藏  |  浏览/下载：2/0  |  提交时间：2019/12/30 scene retrieval  cross-modal hashing  semantic-graph  online learning  binary representations