Large Scale Support Vector Machines Algorithms for Visual Recognition - Couverture souple

Doan, Thanh-Nghi; Poulet, Francois

 
9783639715750: Large Scale Support Vector Machines Algorithms for Visual Recognition

Synopsis

La reconnaissance visuelle reste un problème extrêmement difficile en vision par ordinateur. La plupart des approches précédentes ont été évaluées sur de petits ensembles de données. Cependant, l'ensemble de données ImageNet avec des millions d'images pour des milliers de classes pose plus de défis pour la prochaine génération de mécanismes de vision. Apprendre un classificateur visuel efficace et construire une représentation visuelle robuste dans un scénario à grande échelle sont deux principaux problèmes de recherche. Dans ce livre, nous présentons comment aborder ces problèmes. Tout d'abord, une nouvelle approche est présentée en utilisant plusieurs descripteurs locaux pour améliorer le pouvoir discriminatif de la représentation de l'image. Deuxièmement, les SVM de pointe sont étendues en construisant des classificateurs d'ensachage équilibrés avec une stratégie d'échantillonnage et en parallélisant le processus de formation avec plusieurs ordinateurs multicœurs. Troisièmement, la SVM de descente de gradient stochastique binaire est développée pour la nouvelle SVM multiclass pour classer efficacement les grands ensembles de données d'image dans de nombreuses classes. Enfin, lorsque les données d'entraînement ne peuvent pas rentrer dans la mémoire de l'ordinateur, la tâche de formation de SVM devient plus compliquée à gérer. Ce défi est résolu par une méthode d'apprentissage incrémental pour les SVM linéaires et non linéaires à grande échelle

Les informations fournies dans la section « Synopsis » peuvent faire référence à une autre édition de ce titre.