Le principal objectif du hachage supervisé est de convertir les caractéristiques originales en codes binaires courts qui peuvent maintenir la similarité des étiquettes dans l'espace de Hamming. En raison de leur forte capacité de généralisation, les fonctions de hachage non linéaires se sont révélées supérieures aux fonctions linéaires. Les fonctions à noyau sont fréquemment utilisées dans la littérature pour créer des fonctions de hachage non linéaires, ce qui se traduit par des performances de recherche encourageantes, mais par des temps d'évaluation et d'apprentissage longs. Nous proposons ici d'utiliser des arbres de décision boostés, qui sont rapides à former et à évaluer et qui conviennent donc mieux au hachage avec des données de grande dimension. Dans le cadre de l'amélioration continue, nous proposons d'abord des formulations sous-modulaires pour le problème de l'inférence du code binaire de hachage, ainsi qu'une technique efficace de recherche par blocs basée sur le Graph Cut pour l'inférence à grande échelle. Ensuite, nous formons des arbres de décision boostés en fonction des codes binaires afin d'apprendre les fonctions de hachage. Les expériences montrent qu'en termes de précision d'extraction et de durée d'apprentissage, la stratégie que nous proposons surpasse largement la majorité des méthodes de pointe.
"Sinopsis" puede pertenecer a otra edición de este libro.
EUR 11,00 gastos de envío desde Alemania a España
Destinos, gastos y plazos de envíoLibrería: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Alemania
Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Le principal objectif du hachage supervisé est de convertir les caractéristiques originales en codes binaires courts qui peuvent maintenir la similarité des étiquettes dans l'espace de Hamming. En raison de leur forte capacité de généralisation, les fonctions de hachage non linéaires se sont révélées supérieures aux fonctions linéaires. Les fonctions à noyau sont fréquemment utilisées dans la littérature pour créer des fonctions de hachage non linéaires, ce qui se traduit par des performances de recherche encourageantes, mais par des temps d'évaluation et d'apprentissage longs. Nous proposons ici d'utiliser des arbres de décision boostés, qui sont rapides à former et à évaluer et qui conviennent donc mieux au hachage avec des données de grande dimension. Dans le cadre de l'amélioration continue, nous proposons d'abord des formulations sous-modulaires pour le problème de l'inférence du code binaire de hachage, ainsi qu'une technique efficace de recherche par blocs basée sur le Graph Cut pour l'inférence à grande échelle. Ensuite, nous formons des arbres de décision boostés en fonction des codes binaires afin d'apprendre les fonctions de hachage. Les expériences montrent qu'en termes de précision d'extraction et de durée d'apprentissage, la stratégie que nous proposons surpasse largement la majorité des méthodes de pointe. 80 pp. Französisch. Nº de ref. del artículo: 9786206187455
Cantidad disponible: 2 disponibles
Librería: moluna, Greven, Alemania
Condición: New. Nº de ref. del artículo: 911319486
Cantidad disponible: Más de 20 disponibles
Librería: AHA-BUCH GmbH, Einbeck, Alemania
Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Le principal objectif du hachage supervisé est de convertir les caractéristiques originales en codes binaires courts qui peuvent maintenir la similarité des étiquettes dans l'espace de Hamming. En raison de leur forte capacité de généralisation, les fonctions de hachage non linéaires se sont révélées supérieures aux fonctions linéaires. Les fonctions à noyau sont fréquemment utilisées dans la littérature pour créer des fonctions de hachage non linéaires, ce qui se traduit par des performances de recherche encourageantes, mais par des temps d'évaluation et d'apprentissage longs. Nous proposons ici d'utiliser des arbres de décision boostés, qui sont rapides à former et à évaluer et qui conviennent donc mieux au hachage avec des données de grande dimension. Dans le cadre de l'amélioration continue, nous proposons d'abord des formulations sous-modulaires pour le problème de l'inférence du code binaire de hachage, ainsi qu'une technique efficace de recherche par blocs basée sur le Graph Cut pour l'inférence à grande échelle. Ensuite, nous formons des arbres de décision boostés en fonction des codes binaires afin d'apprendre les fonctions de hachage. Les expériences montrent qu'en termes de précision d'extraction et de durée d'apprentissage, la stratégie que nous proposons surpasse largement la majorité des méthodes de pointe. Nº de ref. del artículo: 9786206187455
Cantidad disponible: 1 disponibles
Librería: buchversandmimpf2000, Emtmannsberg, BAYE, Alemania
Taschenbuch. Condición: Neu. Neuware -Le principal objectif du hachage supervisé est de convertir les caractéristiques originales en codes binaires courts qui peuvent maintenir la similarité des étiquettes dans l'espace de Hamming. En raison de leur forte capacité de généralisation, les fonctions de hachage non linéaires se sont révélées supérieures aux fonctions linéaires. Les fonctions à noyau sont fréquemment utilisées dans la littérature pour créer des fonctions de hachage non linéaires, ce qui se traduit par des performances de recherche encourageantes, mais par des temps d'évaluation et d'apprentissage longs. Nous proposons ici d'utiliser des arbres de décision boostés, qui sont rapides à former et à évaluer et qui conviennent donc mieux au hachage avec des données de grande dimension. Dans le cadre de l'amélioration continue, nous proposons d'abord des formulations sous-modulaires pour le problème de l'inférence du code binaire de hachage, ainsi qu'une technique efficace de recherche par blocs basée sur le Graph Cut pour l'inférence à grande échelle. Ensuite, nous formons des arbres de décision boostés en fonction des codes binaires afin d'apprendre les fonctions de hachage. Les expériences montrent qu'en termes de précision d'extraction et de durée d'apprentissage, la stratégie que nous proposons surpasse largement la majorité des méthodes de pointe.Books on Demand GmbH, Überseering 33, 22297 Hamburg 80 pp. Französisch. Nº de ref. del artículo: 9786206187455
Cantidad disponible: 2 disponibles