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.
"Sinopsis" puede pertenecer a otra edición de este libro.
Librería: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Alemania
Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -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. 76 pp. Spanisch. Nº de ref. del artículo: 9786206187448
Cantidad disponible: 2 disponibles
Librería: moluna, Greven, Alemania
Condición: New. Nº de ref. del artículo: 911319485
Cantidad disponible: Más de 20 disponibles
Librería: buchversandmimpf2000, Emtmannsberg, BAYE, Alemania
Taschenbuch. Condición: Neu. Neuware -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.Books on Demand GmbH, Überseering 33, 22297 Hamburg 76 pp. Spanisch. Nº de ref. del artículo: 9786206187448
Cantidad disponible: 2 disponibles
Librería: AHA-BUCH GmbH, Einbeck, Alemania
Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - 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. Nº de ref. del artículo: 9786206187448
Cantidad disponible: 1 disponibles