یادگیری متریک بر اساس فاصله χ۲ سریع برای دسته بندی داده های هیستوگرامی با دسته بندی کننده KNN
نویسنده(گان):	حمید صادقی، ابوالقاسم اسدالله راعی*
چکیده:	مقایسه داده ها یک مساله بنیادی و پرکاربرد در یادگیری ماشین است. در دهه گذشته تحقیقات فراوانی در زمینه یادگیری متریک انجام شده است؛ از کاربردهای یادگیری متریک می توان به خوشه بندی و دسته بندی داده ها اشاره کرد. در این مقاله یک روش یادگیری متریک مناسب برای استفاده در مسائل بینایی ماشین ارائه می شود. اکثر ویژگی هایی که در بینایی ماشین استفاده می شوند، هیستوگرامی هستند؛ اما روش های یادگیری متریک اغلب بر مبنای فاصله ماهالانوبیس طراحی شده اند که در ویژگی های هیستوگرامی کارایی مناسبی ندارد. در این تحقیق یک روش جدید یادگیری متریک برای داده های هیستوگرامی بر مبنای فاصله مربع کای (χ۲) اصلاح شده ارائه می شود. فاصله χ۲ در دسته بندی داده های هیستوگرامی دارای دقت بالاتری نسبت به فاصله اقلیدسی است، اما هزینه محاسباتی آن نیز بالاتر است. در این مقاله یک رابطه تقریبی برای فاصله χ۲ پیشنهاد می شود و بخشی از محاسبات را به مرحله استخراج ویژگی (که به صورت غیربرخط قابل محاسبه است) منتقل می کند؛ به این ترتیب سرعت مقایسه ویژگی ها افزایش می یابد. آزمایش ها بر روی پایگاه های داده مختلف نشان می دهد که روش یادگیری متریک پیشنهادی دارای دقت بالایی در دسته بندی داده های هیستوگرامی مختلف نسبت به روش های موجود است. همچنین معیار تقریبی برای فاصله χ۲، با حفظ دقت، سرعت مقایسه داده ها را ۲.۵ برابر افزایش می دهد.
کلیدواژگان:	یادگیری متریک، فاصله مربع کای سریع، دسته بندی هیستوگرام، دسته بندی کننده KNN
نوع مقاله:	مقاله پژوهشی/اصیل
زبان:	فارسی
انتشار در:	نشریه مهندسی برق، سال چهل و نهم شماره ۲ (پیاپی ۸۸، تابستان ۱۳۹۸)
صفحات:	۶۵۷ -۶۶۸
نسخه الکترونیکی:	متن این مقاله در سایت مگیران قابل مطالعه است.

Metric Learning based on Fast χ2 Distance for Histogram Data Classification via KNN Classifier
Author(s):	H. Sadeghi، Abolghasem، A. Raie *
Abstract:	Data comparison is a fundamental problem in machine learning research. Since, metric learning has various applications in clustering and classification problems, it is attracted much attention in the last decades. In this paper, an appropriate metric learning method is presented to utilize in machine vision problems. Common features in machine vision are often histogram; however, metric learning methods are usually designed based on Mahalanobis distance which is not applicable in histogram features. In this study, a new metric learning method based on modified chi-squared distance (χ2) for histogram data is presented. In histogram data classification, χ2 distance is more accurate than Euclidean one; however, its computational cost is higher than Euclidean distance. In this paper, a χ2 distance approximated formulation where a part of its computations is moved into the feature extraction step in offline phase is proposed. Consequently, computational cost of feature comparison is reduced. Experiments on different datasets show that the proposed metric learning method is more accurate than the existing ones in histogram data classification. Moreover, the approximated χ2 distance increases feature comparison speed about 2.5 times without loss of accuracy.
Keywords:	Metric learning، fast chi-squared distance، histogram classification، KNN classifier
Article Type:	Research/Original Article
Language:	Persian
Published:	Journal of Electrical Engineering, Volume:49 Issue: 2, 2019
Pages:	657 -668
Full text:	PDF is available on the website.