Combining feature extraction and expansion to improve classification based similarity learning

یادگیری متریک نشان داده شده است که یادگیری شباهت بر اساس طبقه بندی مبتنی بر استاندارد را در تعدادی از زمینه های مختلف برتری می دهد. در این مقاله، نشان می دهیم که عملکرد یادگیری طبقه بندی شباهت بسیار به فرمت داده های مورد استفاده برای یادگیری مدل بستگی دارد. سپس یک روش یادگیری طبقه بندی همبستگی غنی شده ارائه می دهیم که زیر یک رویکرد ترکیبی است که ترکیبی از استخراج ویژگی ها و گسترش ویژگی ها است. به طور خاص، ما یک تحول داده و استفاده از مجموعه ای از فاصله های استاندارد را برای تکمیل اطلاعات ارائه شده توسط بردارهای ویژگی نمونه های آموزشی پیشنهاد می کنیم. این روش با روش های پیشرفته استخراج ویژگی و روش یادگیری متریک، با استفاده از الگوریتم های یادگیری خطی در هر دو طبقه بندی و یک تنظیم تجربی رگرسیون مقایسه می شود. نتایج بدست آمده نشان می دهد که عملکرد قابل مقایسه به نفع روش پیشنهاد شده است.