Kernel Square-Loss Exemplar Machines for Image Retrieval.

Résumé Zepeda et Pérez ont récemment démontré la promesse du SVM exemplaire (ESVM) comme codeur de caractéristiques pour la recherche d'images. Cet article étend cette approche dans plusieurs directions : Nous montrons d'abord que le remplacement de la perte de charnière par la perte carrée dans la fonction de coût de l'ESVM réduit considérablement le temps d'encodage avec un effet négligeable sur la précision. Nous appelons ce modèle machine exemplaire à perte carrée, ou SLEM. Nous présentons ensuite un SLEM à noyau qui peut être mis en œuvre efficacement par la décomposition de matrices à faible rang, et qui affiche de meilleures performances. Les deux variantes de SLEM exploitent le fait que les exemples négatifs sont fixes, de sorte que la majeure partie de la complexité informatique de SLEM est reléguée à un processus hors ligne indépendant des exemples positifs. Nos expériences établissent les performances et les avantages informatiques de notre approche en utilisant un large éventail de caractéristiques de base et des ensembles de données standard de recherche d'images.