文献

J-GLOBAL ID：201702272441582693   整理番号：17A0021180

非線形多様体学習を用いたハッシング【Powered by NICT】

Hashing with Non-Linear Manifold Learning

著者 (5件)： Liu Yanzhen ,  Bai Xiao ,  Yan Cheng ,  Wang Jing ,  Zhou Jun
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： DICTA  ページ： 1-8  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： データの量は,インターネットとマルチメディア技術の発展に伴い爆発である。質量データの高速検索はますます重要になってきている。迅速検索の要求を満たすために,網羅的探索プロセスを高速化するために提案されている多くの近似最neighobor法。ハッシングはそのような例時間と精度のバランスである。ハッシング手法では,高次元生データを変換する二元ハッシュコードにによる迅速な検索を達成し,マッピングハッシュコードにおける元のデータの類似性を維持した。多くハッシングアプローチにより,類似性測定としてのEuclid距離を用いた。しかし,多くのデータセットのデータは非線形多様体上の分布し,多様体上の測地線距離はユークリッド距離よりも正確に元のデータ点の意味的類似性を表すことができる。低次元空間に元のデータセットをマッピングするとき,これはハッシュコードにおける意味類似性のより良い保存を可能にした。本論文では,次元縮小のための等長写像(ISOMAQP)を用い,ハッシング過程量子化損失を低減するために反復量子化を利用することを提案した。実験を行い,この多様体学習法は,いくつかの代替のハッシング手法よりも優れていることを示した。反復量子化プロセスは拡散ハッシング(DH)とスペクトルハッシングに加えられた後に検索性能がさらに高められる。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 高速度 ,  *ハッシング ,  検索効率 ,  *多様体 ,  高速化 ,  次元縮小 ,  類似性 ,  インターネット ,  測地線 ,  等長変換 ,  高次元 ,  量子化
準シソーラス用語： 低次元 ,  Euclid距離 ,  *多様体学習 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 非線形 ,  多様体学習 ,  ハッシング