یادگیری متریک هیستوگرامیx2 با تنظیم کننده dropout

یادگیری متریک و ارایه یک معیار فاصله مناسب میتواند راهگشای بسیاری از مسایل بازشناسی الگو، بینایی ماشین و غیره باشد. در این مقاله، یک روش یادگیری متریک جدید برای استفاده در کاربردهای بینایی ماشین ارایه میشود. بسیاری از ویژگیهایی که در بینایی ماشین مورد استفاده قرار می گیرند، ماهیت هیستوگرامی دارند؛ حال آنکه روشهای موجود یادگیری متریک اغلب بر پایه فاصله ماهالانوبیس توسعه داده شدهاند که این معیار متناسب با فضای غیرمتعامد هیستوگرامی نیست. برای حل این نقطه ضعف اساسی، نوآوری این مقاله، طراحی یک روش یادگیری متریک جدید براساس معیار فاصله مربع کای (x) است. فاصله x یکی از معروفترین و پرکابردترین معیارهای مقایسه ویژگیهای هیستوگرامی است. در روش پیشنهادی، ابتدا معیار به نحو مناسبی برای انجام یادگیری اصلاح شده است؛ سپس یک تابع هزینه محدب برای بهینه سازی این رابطه براساس دسته بندی کننده KNN تعریف شده است. از دیگر نوآوری های این مقاله، استفاده از یک روش dropout جدید در یادگیری متریک برای جلوگیری از بیش تعلیم بر روی مجموعه آموزشی و افزایش دقت بهینه سازی بوده است. نتایج آزمایشها بر روی چهار پایگاه داده هیستوگرامی شناخته شده amazon ،webcam idslr و caltech نشان میدهد که الگوریتم پیشنهادی در مقایسه با سایر روشهای موجود دقت بسیار بالاتری در دسته بندی دادههای هیستوگرامی دارد.

کلیدواژه ها:

یادگیری متریک ، فاصله 2X ، فاصله هیستوگرامی ، دسته بندی هیستوگرام ، dropout