Name: Objektklassifizierung mit schnellem überwachtem Hashing (en Alemán)
Price: 57.24 USD
Availability: InStock
Author: Kumar, M. Aravind
ISBN: 9786206187431

portada Objektklassifizierung mit schnellem überwachtem Hashing (en Alemán)

Formato

Libro Físico

Editorial

Verlag Unser Wissen

Autor

Kumar, M. Aravind

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.5 cm

Peso

0.13 kg.

ISBN13

9786206187431

Categorías

Gestión empresarial

Objektklassifizierung mit schnellem überwachtem Hashing (en Alemán)

Kumar, M. Aravind (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo

$ 57.24

$ 114.48

Ahorras: $ 57.24

50% descuento

Envío normal

Origen: Estados Unidos (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Miércoles 17 de Julio y el Viernes 26 de Julio.

Lo recibirás en cualquier lugar de Ecuador entre 1 y 3 días hábiles luego del envío.

Reseña del libro "Objektklassifizierung mit schnellem überwachtem Hashing (en Alemán)"

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 gro em Ma stab 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.