近日，嵌入式计算技术研究所王笛副教授在CCF推荐A类期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》上发表重要科研成果，提出基于类标一致矩阵分解的有监督多模态哈希方法，显著提高了大规模跨媒体检索的精度和效率。该期刊是人工智能领域国际顶级学术期刊，中科院I区，CCF A类，影响因子17.861。目前，该论文《Label Consistent Matrix Factorization Hashing for Large-Scale Cross-Modal Similarity Search》已于2019年10月出版刊印在IEEE TPAMI第41卷第10期。

现有哈希方法主要针对保持成对相似性设计，具有较大的存储和计算开销，并且丢失了数据之间的类别信息，影响了哈希检索精度。针对此问题，论文提出基于类标一致矩阵分解的有监督多模态哈希方法。该方法将不同模态数据映射到潜在语义空间，并且保证相同类标的数据，在语义空间中具有相同的表示系数。因此，通过量化表示系数而得到的哈希编码和原始数据的类标具有一致性，较好地保持了原始数据的语义信息，提高了哈希方法在大规模跨媒体检索中的精度和效率。

随着移动互联网和智能终端设备的快速发展，现实生活中的异质媒体数据规模急剧增长。对异质媒体数据建立高效的跨媒体索引机制并实现快速查询已经成为当前海量异质媒体数据管理和分析的核心问题。该成果有效改善了哈希最近邻搜索方法的检索精度和学习效率，为海量异质媒体数据的高效索引和快速查询提供了有效途径，具有广泛的实际应用价值。