文献

J-GLOBAL ID：201802266161193658   整理番号：18A0935153

SHISS:情報集合選択による教師付きハッシング【JST・京大機械翻訳】

SHISS: Supervised hashing with informative set selection

著者 (5件)： Ma Chao (Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, Shanghai, China) ,  Gong Chen (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Gu Yun (Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, Shanghai, China) ,  Yang Jie (Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, Shanghai, China) ,  Feng Deying (Liaocheng University, China)
資料名： Pattern Recognition Letters  (Pattern Recognition Letters)
巻： 107  ページ： 105-113  発行年： 2018年 
JST資料番号： H0913A  ISSN： 0167-8655  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 近年,社会的セキュリティとアイデンティティ認証の需要が増加しており,認識,検索,同定などの大規模な問題を含む多くのバイオメトリックのブームをもたらしている。この場合,従来のモデルは,大規模データを扱うための限られた能力のために実行不可能である。したがって,ハッシング技術は,その低い貯蔵コストと速い質問速度のために一般的になっている。最近,研究者は,教師付きハッシングが,学習ハッシュ関数のためのデータのタグまたはラベル情報を組み込むことにより,教師なしのハッシングよりも高い精度を達成できることを示した。しかし,既存の教師つき方法は,すべての訓練例を等しく扱い,学習過程に及ぼす様々な訓練例の異なる影響を無視している。結果として,それらの性能はいくつかの実用的状況下では満足できない。改良として,異なる訓練例が学習過程に異なる影響を持つと仮定し,それらの利用が最適化の間に論理的方法に従うべきであると仮定する,「情報選択による超推奨ハッシュ」(SHISS)と呼ばれる新しい方法を提案した。特に,2つの基準,確実性および多様性を提案し,訓練例のサブセットの情報性を評価し,より有益でないものの前に学習されるより有益なサブセットを奨励する。2つの典型的画像検索データセットと1つの顔データセットに関する実験は,提案したSHISSがより高い平均精度を得て,最先端のハッシング方法と比較してより速い収束速度を示すことを実証した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 画像検索 ,  ハッシュ関数 ,  最適化 ,  認証 ,  部分集合 ,  バイオメトリクス ,  セキュリティ ,  学習 ,  *ハッシング
準シソーラス用語： 収束速度 ,  確実性 ,  学習過程 ,  大規模データ ,  アイデンティティ , 【Automatic Indexing@JST】

著者キーワード (4件)： バイオメトリクス ,  画像検索 ,  教師付きハッシング ,  情報集合選択

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 集合 ,  教師 ,  ハッシング