Real-time precision retrieval based

Real-time precision retrieval based on big data images has become a key technical issue recently.
The vocabulary tree is an efficient method for addressing this issue owing to high precision
and fast retrieval time. Most of the existing construction methods for the vocabulary
tree are centralized. However, under a centralized scheme, it is almost impossible to train a
big vocabulary tree with limited memory to retrieve a similar image with high precision. In
this paper, a new scheme of the distributed in-memory vocabulary tree based on MapReduce
model for massive image training and retrieval is proposed. Firstly, the distributed image feature
exaction mechanism is presented to preprocess massive images. Secondly, a distributed
K-means algorithm based on MapReduce model is proposed to build the first level of the vocabulary
tree concurrently. Thirdly, the big vocabulary tree is divided into many subtrees. The
entire training task for computing the vocabulary tree is divided into many subtasks. These
training subtasks are performed in parallel in the memory of the cluster nodes. This distributed
vocabulary tree strategy can support massive image training in memory. Therefore, a
similar image can be retrieved in a distributed manner based on MapReduce model. Besides,
the training time and memory overhead of our proposed scheme are analyzed in detail. The
experimental results demonstrate that, with an increase in computer nodes, the training time
and memory overhead on each node are linearly reduced, and the retrieval time is relatively
reduced compared with centralized scheme without a loss of retrieval precision.

ผลลัพธ์ (ไทย) 1:

เรียกความแม่นยำแบบเรียลไทม์ที่ใช้ข้อมูลภาพได้กลายเป็น ปัญหาทางเทคนิคที่สำคัญเมื่อเร็ว ๆ นี้แผนภูมิคำศัพท์เป็นวิธีมีประสิทธิภาพสำหรับการจัดการกับปัญหานี้เนื่องจากมีความแม่นยำสูงและเวลาเรียกอย่างรวดเร็ว ส่วนใหญ่วิธีการก่อสร้างที่มีอยู่สำหรับคำศัพท์ต้นไม้เป็นส่วนกลาง อย่างไรก็ตาม ภายใต้โครงร่างส่วนกลาง มีการฝึกการแผนภูมิคำศัพท์ขนาดใหญ่ มีหน่วยความจำจำกัดเพื่อดึงรูปภาพที่คล้ายกัน ด้วยความแม่นยำสูง ในนี้ กระดาษแบบใหม่ของต้นไม้กระจายในหน่วยความจำศัพท์อิง MapReduceมีเสนอรูปแบบสำหรับการฝึกอบรมภาพขนาดใหญ่และเรียก ประการแรก คุณลักษณะการกระจายรูปกลไก exaction แสดงภาพขนาดใหญ่การประมวลผลเบื้องต้น ประการที่สอง การกระจายอัลกอริทึมหมายถึง K ตาม MapReduce รุ่นที่จะเสนอให้สร้างระดับแรกของคำศัพท์แผนภูมิพร้อมกัน ประการที่สาม ต้นไม้ใหญ่คำศัพท์แบ่งออกเป็นหลาย subtrees การงานฝึกอบรมทั้งหมดสำหรับการคำนวณแผนภูมิคำศัพท์แบ่งออกเป็นงานย่อยหลาย ๆ เหล่านี้งานย่อยการฝึกอบรมจะดำเนินการพร้อมกันในหน่วยความจำของโหนดคลัสเตอร์ นี้แจกจ่ายกลยุทธ์แผนภูมิคำศัพท์สามารถรองรับภาพขนาดใหญ่ฝึกในหน่วยความจำ ดังนั้น การสามารถเรียกดูภาพคล้ายในลักษณะกระจายตามโมเดล MapReduce นอกจากนี้เวลาการฝึกอบรมและหน่วยความจำค่าใช้จ่ายของแผนงานนำเสนอของเราจะวิเคราะห์ในรายละเอียด การผลการทดลองแสดงให้เห็นว่า มีการเพิ่มโหนคอมพิวเตอร์ เวลาการฝึกและหน่วยความจำค่าใช้จ่ายในแต่ละโหนจะลดลงเป็นเชิงเส้น และการเรียกจะค่อนข้างลดลงเมื่อเปรียบเทียบกับแผนงานจากส่วนกลางโดยไม่สูญเสียความแม่นยำเรียก

ผลลัพธ์ (ไทย) 2:

การดึงความแม่นยำในเวลาจริงบนพื้นฐานของภาพข้อมูลขนาดใหญ่ได้กลายเป็นปัญหาทางเทคนิคที่สำคัญเมื่อเร็ว ๆ นี้.
ต้นไม้คำศัพท์เป็นวิธีการที่มีประสิทธิภาพสำหรับการแก้ไขปัญหานี้เนื่องจากความแม่นยำสูง
และเวลาเรียกใช้อย่างรวดเร็ว ส่วนใหญ่ของวิธีการที่มีอยู่สำหรับคำศัพท์การก่อสร้าง
ต้นไม้การเป็นศูนย์กลาง อย่างไรก็ตามภายใต้โครงการศูนย์มันเป็นไปไม่ได้เกือบในการฝึกอบรม
ต้นไม้คำศัพท์ขนาดใหญ่ที่มีหน่วยความจำ จำกัด เพื่อดึงภาพที่คล้ายกันด้วยความแม่นยำสูง ใน
งานวิจัยนี้เป็นโครงการใหม่ของการกระจายในหน่วยความจำต้นไม้คำศัพท์ที่อยู่บนพื้นฐานของ MapReduce
รูปแบบสำหรับการฝึกอบรมภาพขนาดใหญ่และการดึงเสนอ ประการแรกภาพคุณลักษณะกระจาย
กลไกการบีบบังคับจะนำเสนอให้ภาพขนาดใหญ่ preprocess ประการที่สองการกระจาย
K หมายถึงขั้นตอนวิธีการตามรูปแบบ MapReduce จะเสนอให้สร้างระดับแรกของคำศัพท์ที่
ต้นไม้พร้อมกัน ประการที่สามต้นคำศัพท์ใหญ่จะแบ่งออกเป็นหลาย subtrees
งานการฝึกอบรมทั้งสำหรับการคำนวณต้นไม้คำศัพท์ที่ถูกแบ่งออกเป็นงานย่อยจำนวนมาก เหล่านี้
งานย่อยการฝึกอบรมจะดำเนินการในแบบคู่ขนานในหน่วยความจำของโหนดคลัสเตอร์ กระจายนี้
กลยุทธ์ต้นไม้คำศัพท์ที่สามารถสนับสนุนการฝึกอบรมภาพขนาดใหญ่ในหน่วยความจำ ดังนั้น
ภาพที่คล้ายกันสามารถเรียกดูได้ในลักษณะที่กระจายตามรูปแบบ MapReduce นอกจากนี้
ในเวลาการฝึกอบรมและค่าหน่วยความจำของโครงการที่เสนอของเรามีการวิเคราะห์ในรายละเอียด
ผลการทดลองแสดงให้เห็นว่ามีการเพิ่มขึ้นในต่อมน้ำคอมพิวเตอร์เวลาการฝึกอบรม
และหน่วยความจำค่าใช้จ่ายในแต่ละโหนดจะลดลงเป็นเส้นตรงและการดึงเวลาค่อนข้าง
ลดลงเมื่อเทียบกับโครงการจากส่วนกลางโดยไม่สูญเสียความแม่นยำการดึง

ผลลัพธ์ (ไทย) 3:

เวลาจริงระบบความแม่นยำขึ้นอยู่กับภาพใหญ่ข้อมูลได้กลายเป็นปัญหาสำคัญทางเทคนิค เมื่อเร็วๆ นี้ต้นศัพท์คือวิธีที่มีประสิทธิภาพเพื่อที่อยู่ปัญหานี้เพราะความแม่นยําสูงและเวลาเรียกใช้อย่างรวดเร็ว ที่สุดของวิธีการก่อสร้างที่มีอยู่สำหรับคำศัพท์ต้นไม้ที่เป็นส่วนกลาง อย่างไรก็ตาม ภายใต้โครงการส่วนกลาง , มันเป็นเกือบเป็นไปไม่ได้รถไฟต้นไม้ใหญ่กับหน่วยความจำคำศัพท์จำกัด เพื่อดึงภาพที่คล้ายกัน มีความแม่นยําสูง ในกระดาษนี้ , รูปแบบใหม่ของการกระจายในต้นไม้ช่วยจำศัพท์ตาม mapreduceรูปแบบการฝึกอบรมภาพขนาดใหญ่ และการเสนอ ประการแรก การกระจายภาพ คุณลักษณะกลไก exaction แสดงให้ preprocess ขนาดใหญ่ภาพ ประการที่สอง กระจายk-means ขั้นตอนวิธีขึ้นอยู่กับรูปแบบ mapreduce เสนอให้สร้างระดับแรกของคำศัพท์ต้นไม้พร้อม คือ ต้นไม้ใหญ่ แบ่งเป็นหลาย subtrees คำศัพท์ . ที่งานฝึกอบรมทั้งหมดสำหรับการคำนวณต้นศัพท์คือ แบ่งเป็นหลายๆงาน เหล่านี้งานฝึกอบรมจะดำเนินการในแบบคู่ขนานในหน่วยความจำของคลัสเตอร์ของโหนด นี้กระจายกลยุทธ์ต้นศัพท์สามารถสนับสนุนการฝึกอบรมภาพขนาดใหญ่ในหน่วยความจำ ดังนั้นภาพที่คล้ายกันที่สามารถดึงในลักษณะกระจายตามรูปแบบ mapreduce . นอกจากนี้เวลาและค่าใช้จ่ายการฝึกอบรมหน่วยความจำของเรานำเสนอนี้จะวิเคราะห์ในรายละเอียด ที่ผลการทดลองแสดงให้เห็นว่า มีการเพิ่มโหนดคอมพิวเตอร์ , การฝึกอบรมหน่วยความจำและค่าใช้จ่ายในแต่ละโหนดมีน้ำหนักลดลง และการดึงเวลาค่อนข้างลดลงเมื่อเทียบกับส่วนกลางโครงการโดยไม่สูญเสียความละเอียดเรียก