Dieses Buch fasst zusammen Das Hauptanliegen des ???berwachten Hashings besteht darin, die urspr???nglichen Merkmale in kurze Bin???rcodes umzuwandeln, die die ???hnlichkeit der Bezeichnungen im Hamming-Raum aufrechterhalten k???nnen. Aufgrund ihrer starken Verallgemeinerungsf???higkeiten haben sich nichtlineare Hash-Funktionen gegen???ber linearen Funktionen als ???berlegen erwiesen. In der Literatur werden h???ufig Kernel-Funktionen verwendet, um nicht-lineare Hash-Funktionen zu erstellen, was zu einer vielversprechenden ...
Read More
Dieses Buch fasst zusammen Das Hauptanliegen des ???berwachten Hashings besteht darin, die urspr???nglichen Merkmale in kurze Bin???rcodes umzuwandeln, die die ???hnlichkeit der Bezeichnungen im Hamming-Raum aufrechterhalten k???nnen. Aufgrund ihrer starken Verallgemeinerungsf???higkeiten haben sich nichtlineare Hash-Funktionen gegen???ber linearen Funktionen als ???berlegen erwiesen. In der Literatur werden h???ufig Kernel-Funktionen verwendet, um nicht-lineare Hash-Funktionen zu erstellen, was zu einer vielversprechenden Retrieval-Leistung, aber langen Evaluierungs- und Trainingszeiten f???hrt. Hier schlagen wir die Verwendung von verst???rkten Entscheidungsb???umen vor, die schnell zu trainieren und zu bewerten sind und sich daher besser f???r das Hashing mit hochdimensionalen Daten eignen. Im Rahmen der kontinuierlichen Verbesserung schlagen wir zun???chst submodulare Formulierungen f???r das Problem der Hashing-Bin???rcode-Inferenz sowie eine effektive Blocksuchtechnik auf der Grundlage von Graph Cut f???r die Inferenz in gro???em Ma???stab vor. Dann trainieren wir verst???rkte Entscheidungsb???ume, die auf die bin???ren Codes abgestimmt sind, um Hash-Funktionen zu lernen. Experimente zeigen, dass die von uns vorgeschlagene Strategie in Bezug auf die Abrufpr???zision und die Trainingsdauer die meisten modernen Methoden deutlich ???bertrifft.
Read Less
