Régression logistique pour la classification d’images à grande échelle
Abstract
We present a new parallel multiclass logistic regression algorithm (PAR-MCLR) aiming at classifying a very large number of images with very-high-dimensional signatures into many classes. We extend the two-class logistic regression algorithm (LR) in several ways to develop the new multiclass LR for efficiently classifying large image datasets into hundreds of classes. We propose the balanced batch stochastic gradient descend of logistic regression (BBatch- LR-SGD) for training two-class classifiers used in the one-versus-all strategy of the multiclass problems and the parallel training process of classifiers with several multi-core computers. The numerical test results on ImageNet datasets show that our algorithm is efficient compared to the state-of-the-art linear classifiers.
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.