فهرست نشریات علمی دسترسی آزاد ایران

مقایسه داده‌ها یک مسأله بنیادی و پرکاربرد در یادگیری ماشین است. در دهه گذشته تحقیقات فراوانی در زمینه یادگیری متریک انجام شده است؛ از کاربردهای یادگیری متریک می‌توان به خوشه‌بندی و دسته‌بندی داده‌ها اشاره کرد. در این مقاله یک روش یادگیری متریک مناسب برای استفاده در مسائل بینایی ماشین ارائه می‌شود. اکثر ویژگی‌هایی که در بینایی ماشین استفاده می‌شوند، هیستوگرامی هستند؛ اما روش‌های یادگیری متریک اغلب بر مبنای فاصله ماهالانوبیس طراحی شده‌اند که در ویژگی‌های هیستوگرامی کارایی مناسبی ندارد. در این تحقیق یک روش جدید یادگیری متریک برای داده‌های هیستوگرامی بر مبنای فاصله مربع کای (χ2) اصلاح شده ارائه می‌شود. فاصله χ2 در دسته‌بندی داده‌های هیستوگرامی دارای دقت بالاتری نسبت به فاصله اقلیدسی است، اما هزینه محاسباتی آن نیز بالاتر است. در این مقاله یک رابطه تقریبی برای فاصله χ2 پیشنهاد می‌شود و بخشی از محاسبات را به مرحله استخراج ویژگی (که به‌صورت غیربرخط قابل محاسبه است) منتقل می‌کند؛ به این ترتیب سرعت مقایسه ویژگی‌ها افزایش می‌یابد. آزمایش‌ها بر روی پایگاه‌های داده مختلف نشان می‌دهد که روش یادگیری متریک پیشنهادی دارای دقت بالایی در دسته‌بندی داده‌های هیستوگرامی مختلف نسبت به روش‌های موجود است. همچنین معیار تقریبی برای فاصله χ2، با حفظ دقت، سرعت مقایسه داده‌ها را 2.5 برابر افزایش می‌دهد.