Dieses Buch fasst zusammen Das Hauptanliegen des überwachten Hashings besteht darin, die ursprünglichen Merkmale in kurze Binärcodes umzuwandeln, die die Ähnlichkeit der Bezeichnungen im Hamming-Raum aufrechterhalten können. Aufgrund ihrer starken Verallgemeinerungsfähigkeiten haben sich nichtlineare Hash-Funktionen gegenüber linearen Funktionen als überlegen erwiesen. In der Literatur werden häufig Kernel-Funktionen verwendet, um nicht-lineare Hash-Funktionen zu erstellen, was zu einer vielversprechenden Retrieval-Leistung, aber langen Evaluierungs- und Trainingszeiten führt. Hier schlagen wir die Verwendung von verstärkten Entscheidungsbäumen vor, die schnell zu trainieren und zu bewerten sind und sich daher besser für das Hashing mit hochdimensionalen Daten eignen. Im Rahmen der kontinuierlichen Verbesserung schlagen wir zunächst submodulare Formulierungen für das Problem der Hashing-Binärcode-Inferenz sowie eine effektive Blocksuchtechnik auf der Grundlage von Graph Cut für die Inferenz in großem Maßstab vor. Dann trainieren wir verstärkte Entscheidungsbäume, die auf die binären Codes abgestimmt sind, um Hash-Funktionen zu lernen. Experimente zeigen, dass die von uns vorgeschlagene Strategie in Bezug auf die Abrufpräzision und die Trainingsdauer die meisten modernen Methoden deutlich übertrifft.

Autorentext

M. Aravind Kumar a obtenu un diplôme de B. Tech en ECE, un diplôme de M Tech en conception de systèmes VLSI à JNTUH, et un doctorat à l'Université GITAM, Visakhapatnam. Il travaille à l'INSTITUT DE SCIENCES ET D'INGÉNIERIE DE GODAVARI OCCIDENTAL en tant que directeur. Il a 15 ans d'expérience dans l'enseignement. Il est membre à vie de la FIE, de l'ISTE, du TETE, du SCIEI, de l'UACEE et de l'IAENG.