AbstractDespite growing interest in

Abstract
Despite growing interest in using sparse coding based
methods for image classification and retrieval, progress
in this direction has been limited by the high computational
cost for generating each image’s sparse representation.
To overcome this problem, we leverage sparsitybased
dictionary learning and hash-based feature selection
to build a novel unsupervised way to efficiently
pick out a query image’s most important high-level features;
the selected set of features effectively pinpoint
to which group of images we would visually perceived
the query as similar. Moreover, the method is adaptive
to the retrieval database presented at the moment. The
preliminary results based on L1 feature map show the
method’s efficiency and accuracy from the visual cognitive
perspective.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อแม้เติบโตสนใจในใช้รหัสบ่อตามวิธีการจัดประเภทรูปภาพ และเรียก ความคืบหน้าในทิศทางนี้ได้ถูกจำกัด โดยสูงคำนวณต้นทุนสำหรับการสร้างการแสดงภาพแต่ละบ่อเพื่อเอาชนะปัญหานี้ เราใช้ sparsitybasedเรียนรู้พจนานุกรมและการเลือกคุณลักษณะตามแฮสร้างแบบ unsupervised นวนิยายไปอย่างมีประสิทธิภาพรับออกแบบสอบถามรูปภาพสำคัญพื้นฐานคุณลักษณะตัวเลือกมีประสิทธิภาพแม่นยำการที่ภาพเราจะเห็นการรับรู้แบบสอบถามเป็นคล้าย นอกจากนี้ วิธีการเป็นแบบอะแดปทีฟเรียกฐานข้อมูลนำเสนอในขณะนี้ ที่ผลลัพธ์เบื้องต้นตาม L1 คุณลักษณะแผนที่แสดงการวิธีการของประสิทธิภาพและความถูกต้องจาก visual รับรู้มุมมองของ

ผลลัพธ์ (ไทย) 3:

นามธรรม
แม้จะมีความสนใจในการปลูกโดยวิธีโหรงนะครับ

การจำแนกภาพและการดึง , ความคืบหน้าในทิศทางนี้ได้ถูก จำกัด โดยคำนวณต้นทุนผลิตสูง
ของแต่ละภาพเบาบางแทน .
เพื่อเอาชนะปัญหานี้ เราใช้ประโยชน์จาก sparsitybased
พจนานุกรมการเรียนรู้และกัญชาจาก
การเลือกคุณลักษณะเพื่อสร้างวิธี unsupervised นวนิยาย
อย่างมีประสิทธิภาพ