يادگيري متريك هيستوگرامي 2χ با تنظيم‌كننده dropout

يادگيري متريك و ارائه يك معيار فاصله مناسب مي تواند راه گشاي بسياري از مسائل بازشناسي الگو، بينايي ماشين و غيره باشد. در اين مقاله، يك روش يادگيري متريك جديد براي استفاده در كاربردهاي بينايي ماشين ارائه مي شود. بسياري از ويژگي هايي كه در بينايي ماشين مورد استفاده قرار مي گيرند، ماهيت هيستوگرامي دارند؛ حال آنكه روش هاي موجود يادگيري متريك اغلب بر پايه فاصله ماهالانوبيس توسعه داده شده اند كه اين معيار متناسب با فضاي غيرمتعامد هيستوگرامي نيست. براي حل اين نقطه ضعف اساسي، نوآوري اين مقاله، طراحي يك روش يادگيري متريك جديد براساس معيار فاصله مربع كاي (2χ) است. فاصله 2χ يكي از معروف ترين و پركابردترين معيارهاي مقايسه ويژگي هاي هيستوگرامي است. در روش پيشنهادي، ابتدا معيار 2χ به نحو مناسبي براي انجام يادگيري اصلاح شده است؛ سپس يك تابع هزينه محدب براي بهينه سازي اين رابطه براساس دسته بندي كننده KNN تعريف شده است. از ديگر نوآوري هاي اين مقاله، استفاده از يك روش dropout جديد در يادگيري متريك براي جلوگيري از بيش تعليم بر روي مجموعه آموزشي و افزايش دقت بهينه‌سازي بوده است. نتايج آزمايش ها بر روي چهار پايگاه داده هيستوگرامي شناخته شده dslr، webcam، amazon و caltech نشان مي دهد كه الگوريتم پيشنهادي در مقايسه با ساير روش هاي موجود دقت بسيار بالاتري در دسته بندي داده هاي هيستوگرامي دارد.