Classificazione degli oggetti mediante hashing veloce supervisionato

Questo libro riassume L'obiettivo principale dell'hashing supervisionato è quello di convertire le caratteristiche originali in brevi codici binari in grado di mantenere la somiglianza delle etichette nello spazio di Hamming. Grazie alla loro forte capacità di generalizzazione, le funzioni hash non lineari hanno dimostrato di essere superiori a quelle lineari. In letteratura si utilizzano spesso funzioni kernel per creare hashing non lineari, con prestazioni di recupero incoraggianti ma lunghi tempi di valutazione e addestramento. In questa sede, suggeriamo di utilizzare alberi decisionali boosted, che sono veloci da addestrare e valutare e quindi più adatti all'hashing con dati ad alta dimensionalità. Nell'ottica di un miglioramento continuo, proponiamo innanzitutto formulazioni submodulari per l'inferenza del codice binario di hashing e un'efficace tecnica di ricerca a blocchi basata sul Graph Cut per l'inferenza su larga scala. Poi, addestriamo alberi decisionali potenziati per adattarli ai codici binari e imparare le funzioni hash. Gli esperimenti dimostrano che in termini di precisione di recupero e di durata dell'addestramento, la strategia da noi proposta supera di gran lunga la maggior parte dei metodi all'avanguardia.