Key points are not available for this paper at this time.
يمكن تقريبات آلات الدعم غير الخطية الكبيرة النطاق (SVMs) باستخدام خرائط ميزات مناسبة. تعتبر آلات الدعم الخطية بشكل عام أسرع بكثير للتعلم والتقييم (الاختبار) من آلات الدعم غير الخطية الأصلية. يقدم هذا العمل خرائط ميزات صريحة لفئة النوى الإضافية، مثل تقاطع النوى، ونوى هيلينجر، ونوى χ2، المستخدمة على نطاق واسع في رؤية الكمبيوتر، ويمكّن استخدامها في حلول المشاكل الكبيرة. على وجه الخصوص، نحن: 1) نقدم خرائط ميزات صريحة لجميع النوى الإضافية المتجانسة مع تعبير مغلق لجميع النوى الشائعة؛ 2) نستخرج خرائط ميزات تقريبية ذات أبعاد نهائية بناءً على تحليل طيفي؛ و 3) نقوم بت quantifying خطأ التقريب، مع عرض أن الخطأ مستقل عن بُعد البيانات ويتناقص بشكل أسي سريع مع ترتيب التقريب للنوى المختارة مثل χ2. نظهر أن التقريبات لديها أداء لا يمكن تمييزه عن النوى الكاملة، ومع ذلك تقلل بشكل كبير من أوقات التدريب/الاختبار للـ SVMs. نقارن أيضًا مع طريقتين أخريين من طرق التقريب: تقريب نايستروم من بيرونين وآخرين، والذي يعتمد على البيانات، والخريطة الصريحة لماجي وبيرغ لنوى التقاطع، والتي، كما هو الحال في تقريباتنا، مستقلة عن البيانات. يتم تقييم التقريبات على عدد من المجموعات البيانية القياسية، بما في ذلك Caltech-101، وDaimler-Chrysler pedestrians، وINRIA pedestrians.
درس فيدالدي وآخرون (Mon,) هذا السؤال.