BriefGPT - AI 论文速递
·
经典图像上采样的最近邻分类
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了Local Naive Bayes Nearest Neighbor方法，通过合并参考数据进行快速搜索，提高图像分类算法的准确性和拓展性。在Caltech 256数据集上，该方法提升了100倍的速度。与空间金字塔方法相比，Local NBNN方法优于以往的NBNN方法和原始空间金字塔模型，但不及使用本地软分配和max-pooling的最先进空间金字塔方法。
🎯
关键要点
- 提出了Local Naive Bayes Nearest Neighbor方法，以提高图像分类算法的准确性和拓展性。
- 该方法将所有参考数据合并成一个搜索结构进行快速搜索。
- 在Caltech 256数据集上，该方法带来了100倍的速度提升。
- Local NBNN方法优于以往的NBNN方法和原始空间金字塔模型。
- Local NBNN方法不及使用本地软分配和max-pooling的最先进空间金字塔方法。
➡️
