دانلود مقاله ترجمه شده یادگیری تخمین های کرنل تصادفی برای تشخیص اشیاء

چکیده

به تازگی تخمین های بر اساس ویژگیهای تصادفی فوریه، به عنوان یک راهکار کارا و کاملا سازگار برای طراحی ماشین های کرنل بزرگ مقیاس[24]، ظاهر شده اند . با بیان کرنل به عنوان یک بسط فوریه، ویژگی ها بر اساس یک مجموعه متناهی از طرح های پایه، که از کرنل تبدیل فوریه نمونه برداری شده اند، همراه با ضربهای داخلی که تخمین های منتو کارلو از کرنل اصلی است، تولید می شوند . بر اساس این مشاهده که توزیع های نمونه برداری فوریه ی القاشده توسط کرنل، متناظر با پارامترهای کرنل متفاوت است، نشان می دهیم که یک فرآیند بهبود در حوضه فوریه برای تشخیص یکتای باندهای فرکانسی که برای تخمین بر روی داده آموزش مفید هستند، می تواند استفاده شود . علاوه بر این، اعمال Lasso گروهی (group Lasso) به بردارهای ویزگی تصادفی [37]متناظر با یک ترکیب خطی از چندین هسته، منجر به فرمول بندی مجدد مدل استاندارد یادگیری چندین هسته بصورت کارا و مقیاس پذیر شده است[33] . در این مقاله ما راهکار تخمین فوریه خطی را برای یادگیری کرنل مبتنی بر گرادیان را هم بصورت تکی و هم بصورت چندتایی توسعه می دهیم و نشان می دهیم که این مدل، تخمین زن هایی دقیق و سریع را بر روی دیتاست پیچیده ای همچون Visual Object Challenge 2011(VOC2011) تولید می کند .

1-مقدمه

انتخاب مناسب توابع کرنل و ابرپارامترهای آن برای موفقیت در اعمال روش های کرنل روی کاربردهای عملی، حیاتی است . این انتخاب ها تعدادی مساله را پوشش می دهند: از انتخاب یک پارامتر پهنای مستقل در کرنل های پایه ی شعاعی، مقیاس گذاری ابعاد ویژگی مختلف با وزن های متفاوت، تا یادگیری یک ترکیب خطی یا غیر خطی از چندین کرنل . در ماسائل پیچیده ی عملی همانند بینایی کامپیوتر، گاهی اوقات نیاز به چندین کرنل بصورت ذاتی، ایجاد می شود . عکس ها می توانند بوسیله توصیف کننده های مبتنی بر شکل، رنگ و جنس نمایش داده شوند، و این توصیف کننده ها نقشهای متفاوتی در دسته بندی گونه های مختلف دارند..