Régression logistique pour la classification d’images à grande échelle

Résumé : Nous présentons un nouvel algorithme parallèle de régression logistique (PAR-MC-LR) pour la classification d’images à grande échelle. Nous proposons plusieurs extensions de l’algorithme original de régression logistique à deux classes pour en développer une version efficace pour les grands ensembles de données d’images avec plusieurs centaines de classes. Nous présentons un nouvel algorithme LR-BBatch-SGD de descente de gradient stochastique de régression logistique en batch équilibré avec un apprentissage parallèle (approche un contre le reste) multi-classes sur de multiples coeurs. Les résultats expérimentaux sur des ensembles de données d’ImageNet montrent que notre algorithme est efficace comparés aux algorithmes de classification linéaires de l’état de l’art.
Type de document :
Article dans une revue
Revue des Nouvelles Technologies de l'Information, Hermann, 2016, Extraction et Gestion des Connaissances EGC'2016, RNTI-E.30, pp.309-320. 〈http://www.editions-hermann.fr/4831-rnti-e30.html〉
Liste complète des métadonnées

https://hal.inria.fr/hal-01257921
Contributeur : François Poulet <>
Soumis le : lundi 18 janvier 2016 - 14:09:38
Dernière modification le : jeudi 5 avril 2018 - 12:30:25

Identifiants

  • HAL Id : hal-01257921, version 1

Citation

Thanh Nghi Do, François Poulet. Régression logistique pour la classification d’images à grande échelle. Revue des Nouvelles Technologies de l'Information, Hermann, 2016, Extraction et Gestion des Connaissances EGC'2016, RNTI-E.30, pp.309-320. 〈http://www.editions-hermann.fr/4831-rnti-e30.html〉. 〈hal-01257921〉

Partager

Métriques

Consultations de la notice

377