(AKM) [5], Robust Approximated K-Me

(AKM) [5], Robust Approximated K-Means (RAKM) [18]
and Approximate Gaussian Mixture (AGM) [19] lead to
heavy training and retrieval time overhead. Additionally, in
the index method, which is based on a vocabulary tree
[20–22], the scale (the number of branches and levels) of
a vocabulary tree is needed to ensure the image matching
precision. While the image training set is huge (say
millions or billions), it is almost impossible to train such
a huge vocabulary tree in centralized memory. Moreover,
the centralized training time of a huge vocabulary tree is
too long.
In this paper, in order to reduce the memory and time
overhead for centralized training of a huge vocabulary tree so
that it can train a huge image training set, a new distributed
vocabulary tree image training and retrieval scheme is proposed.
The major contributions of this paper are:

ผลลัพธ์ (ไทย) 1:

(AKM) [5], แข็งแกร่งประมาณ K-หมายถึง (RAKM) [18]และประมาณนที่ผสม (AGM) [19]ฝึกหนักและเรียกเวลาค่าใช้จ่าย นอกจากนี้ ในวิธีดัชนี ซึ่งตั้งอยู่บนต้นไม้คำศัพท์[20-22], ขนาด (จำนวนของสาขาและระดับ) ของต้นคำศัพท์ที่จำเป็นต้องให้การจับคู่ภาพความแม่นยำ ในขณะที่ภาพ ชุดการฝึกอบรมเป็นอย่างมาก (พูดล้านหรือพันล้าน), มีการฝึกดังกล่าวต้นไม้ใหญ่คำศัพท์ในหน่วยความจำส่วนกลาง นอกจากนี้เวลาการฝึกอบรมจากส่วนกลางของต้นไม้ใหญ่คำศัพท์ยาวเกินไปในกระดาษนี้ เพื่อลดหน่วยความจำและเวลาค่าใช้จ่ายในส่วนกลางการฝึกอบรมของต้นไม้ใหญ่คำศัพท์ดังนั้นสำหรับสามารถฝึกอบรมชุดฝึกอบรมภาพใหญ่ แจกจ่ายใหม่มีเสนอคำศัพท์ต้นไม้ภาพการฝึกอบรมและเรียกแผนผลงานสำคัญของเอกสารนี้คือ:

ผลลัพธ์ (ไทย) 2:

(AKM) [5], ที่แข็งแกร่งโดยประมาณ K-หมายถึง (RAKM) [18]
และผสมแบบเกาส์โดยประมาณ (ประชุมผู้ถือหุ้น) [19] นำไปสู่การ
ฝึกอบรมและการดึงหนักค่าใช้จ่ายเวลา นอกจากนี้ใน
วิธีการที่ดัชนีซึ่งจะขึ้นอยู่บนต้นไม้คำศัพท์
[20-22] ขนาด (จำนวนสาขาและระดับ) ของ
ต้นไม้คำศัพท์เป็นสิ่งจำเป็นเพื่อให้แน่ใจว่าภาพที่ตรงกับ
ความแม่นยำ ในขณะที่การฝึกอบรมชุดภาพมีขนาดใหญ่มาก (พูด
นับล้านหรือพันล้าน) มันเป็นไปไม่ได้เกือบในการฝึกอบรมดังกล่าว
เป็นต้นไม้ขนาดใหญ่คำศัพท์ในหน่วยความจำส่วนกลาง นอกจากนี้
ในเวลาการฝึกอบรมส่วนกลางของต้นไม้คำศัพท์มากเป็น
เวลานานเกินไป.
ในกระดาษนี้เพื่อลดหน่วยความจำและเวลาที่
ค่าใช้จ่ายในการฝึกอบรมส่วนกลางของต้นไม้คำศัพท์ขนาดใหญ่เพื่อ
ที่จะสามารถฝึกอบรมการฝึกอบรมชุดภาพขนาดใหญ่ใหม่กระจาย
. การฝึกอบรมภาพต้นไม้คำศัพท์และรูปแบบการดึงมีการเสนอ
ผลงานที่สำคัญของงานวิจัยนี้คือ:

ผลลัพธ์ (ไทย) 3:

( akm ) [ 5 ] ( โดยประมาณ k-means ( rakm ) [ 18 ]และส่วนผสมของเกาส์ประมาณ ( 4 ) [ 19 ] นำไปสู่การฝึกหนักและกู้คืนค่าใช้จ่ายในเวลา นอกจากนี้ ในดัชนีที่ใช้จะขึ้นอยู่กับคำศัพท์ต้นไม้[ 20 – 22 ] , ขนาด ( จำนวนสาขาและระดับ ) ของศัพท์ต้นไม้ต้องการเพื่อให้แน่ใจว่าภาพที่ตรงกันความแม่นยำ ในขณะที่ภาพการฝึกอบรมชุดใหญ่ ( พูดล้านหรือพันล้าน ) , มันเป็นเกือบเป็นไปไม่ได้รถไฟดังกล่าวต้นไม้จากคำศัพท์ขนาดใหญ่ในหน่วยความจำ นอกจากนี้ศูนย์การฝึกอบรมของต้นไม้ขนาดใหญ่ เป็นคำศัพท์ยาวเกินไปในกระดาษนี้ เพื่อลดเวลาและหน่วยความจำค่าใช้จ่ายสำหรับการฝึกอบรมของต้นไม้จากคำศัพท์มากดังนั้นมันสามารถฝึกขนาดใหญ่ภาพการฝึกอบรมชุดใหม่ , กระจายคำศัพท์ต้นไม้ภาพการฝึกอบรมและการเป็นโครงการที่เสนอผลงานหลักของบทความนี้คือ :