Andere Kunden interessierten sich auch für
![Classificação de objectos utilizando hashing supervisionado rápido]( "Classificação de objectos utilizando hashing supervisionado rápido")
Classificação de objectos utilizando hashing supervisionado rápido29,99 €![Clasificación de imágenes mediante Deep Learning y Swarm Intelligence]( "Clasificación de imágenes mediante Deep Learning y Swarm Intelligence")
Clasificación de imágenes mediante Deep Learning y Swarm Intelligence36,99 €![Clasificación de la emoción del llanto mediante algoritmos de aprendizaje automático]( "Clasificación de la emoción del llanto mediante algoritmos de aprendizaje automático")
Clasificación de la emoción del llanto mediante algoritmos de aprendizaje automático36,99 €![Clasificación de páginas: Algoritmos ponderados]( "Clasificación de páginas: Algoritmos ponderados")
Clasificación de páginas: Algoritmos ponderados29,99 €![Los niños en la clasificación decimal de Dewey]( "Los niños en la clasificación decimal de Dewey")
Los niños en la clasificación decimal de Dewey48,99 €![Un estudio cuantitativo sobre la clasificación de las desviaciones de la voz]( "Un estudio cuantitativo sobre la clasificación de las desviaciones de la voz")
Un estudio cuantitativo sobre la clasificación de las desviaciones de la voz36,99 €![Arps: un algoritmo de coincidencia de bloques rápido y eficiente para la estimación de movimiento]( "Arps: un algoritmo de coincidencia de bloques rápido y eficiente para la estimación de movimiento")
Arps: un algoritmo de coincidencia de bloques rápido y eficiente para la estimación de movimiento41,99 €
Este libro resume La principal preocupación del hashing supervisado es convertir las características originales en códigos binarios cortos que puedan mantener la similitud de etiquetas en el espacio de Hamming. Debido a su gran capacidad de generalización, las funciones hash no lineales han demostrado ser superiores a las lineales. Las funciones kernel se utilizan con frecuencia en la literatura para crear hashing no lineal, lo que resulta en un rendimiento de recuperación alentador pero largos tiempos de evaluación y entrenamiento. Aquí sugerimos utilizar árboles de decisión potenciados, que son rápidos de entrenar y evaluar y, por tanto, más adecuados para el hashing con datos de alta dimensión. Como parte de la mejora continua, primero sugerimos formulaciones submodulares para el problema de la inferencia de códigos binarios de hashing, así como una técnica eficaz de búsqueda por bloques basada en Graph Cut para la inferencia a gran escala. A continuación, entrenamos árboles de decisión potenciados que se adaptan a los códigos binarios para aprender funciones hash. Los experimentos demuestran que, en términos de precisión de la recuperación y duración del entrenamiento, la estrategia que proponemos supera con creces a la mayoría de los métodos más avanzados.