Représentation basée sur l'entropie optimisée des caractéristiques par sac de mots pour la récupération d'informations

Dans cet article, nous présentons une méthode d'apprentissage de dictionnaire supervisé pour optimiser la représentation basée sur les caractéristiques du sac de mots (BoW) en vue de la récupération d'informations. Suivant l'hypothèse de cluster, qui stipule que les points dans le même cluster sont susceptibles de répondre au même besoin d'information, nous proposons l'utilisation d'un critère d'optimisation basé sur l'entropie mieux adapté à la récupération qu'à la classification. Nous démontrons la capacité de la méthode proposée, abrégée en EO-BoW, à améliorer la performance de récupération en fournissant des expériences approfondies sur deux ensembles de données d'images multi-classes. Le modèle BoW peut également être appliqué à d'autres domaines, nous évaluons donc notre approche en utilisant une collection de 45 ensembles de données de séries chronologiques, un ensemble de données textuelles et un ensemble de données vidéo. Les gains sont triples puisque l'EO-BoW peut améliorer la précision moyenne, tout en réduisant le temps d'encodage et les exigences de stockage de la base de données. Enfin, nous fournissons des preuves que l'EO-BoW maintient sa capacité de représentation même lorsqu'il est utilisé pour récupérer des objets de classes qui n'ont pas été vues lors de la formation.