Mean-Removed Product Quantization for Approximate Nearest Neighbor Search

2019 ◽  
Author(s):  
Jiacheng Yang ◽  
Bin Chen ◽  
Shu-Tao Xia
Keyword(s):  
Nearest Neighbor ◽  
Nearest Neighbor Search ◽  
Product Quantization ◽  
Approximate Nearest Neighbor Search ◽  
Approximate Nearest Neighbor ◽  
Neighbor Search

Quarter-Point Product Quantization for approximate nearest neighbor search

2019 ◽  
Vol 125 ◽  
pp. 187-194 ◽  
Author(s):  
Shan An ◽  
Zhibiao Huang ◽  
Shuang Bai ◽  
Guangfu Che ◽  
Xin Ma ◽  
...  
Keyword(s):  
Nearest Neighbor ◽  
Nearest Neighbor Search ◽  
Product Quantization ◽  
Approximate Nearest Neighbor Search ◽  
Approximate Nearest Neighbor ◽  
Neighbor Search

scholarly journals Paralelização do Algoritmo de Indexação de Dados Multimídia Baseado em Quantização

2019 ◽  
Author(s):  
André Fernandes ◽  
George Teodoro
Keyword(s):  
Nearest Neighbor ◽  
Nearest Neighbor Search ◽  
Product Quantization ◽  
Approximate Nearest Neighbor Search ◽  
Approximate Nearest Neighbor ◽  
Neighbor Search

Nesse artigo é apresentada uma paralelização eficiente do algoritmo de busca por similaridade Product Quantization Approximate Nearest Neighbor Search (PQANNS). Esse método pode responder consultas com uma demanda reduzida de memória e, juntamente com a paralelização proposta, pode lidar de forma eficiente com grandes bases de dados. A execução utilizando 128 nós/3584 núcleos de CPU foi capaz de atingir uma eficiência do paralelismo de 0.97 em uma base de dados contendo 256 bilhões de descritores SIFT.

scholarly journals Paralelizacão e Otimizações do Algoritmo de Indexação de Dados Multimídia baseado em Quantização

2019 ◽  
Vol 17 (5) ◽  
Author(s):  
George Teodoro ◽  
André Fernandes
Keyword(s):  
Nearest Neighbor ◽  
Nearest Neighbor Search ◽  
Product Quantization ◽  
Approximate Nearest Neighbor Search ◽  
Approximate Nearest Neighbor ◽  
Neighbor Search

Nesse artigo é apresentada uma paralelização eficiente do algoritmo de busca por similaridade Product Quantization Approximate Nearest Neighbor Search (PQANNS). Esse método pode responder consultas com uma demanda reduzida de memória e, juntamente com a paralelização proposta, pode lidar de forma eficiente com grandes bases de dados. A execução utilizando 128 nós/3584 núcleos de CPU foi capaz de atingir uma eficiência do paralelismo de 0.97 em uma base de dados contendo 256 bilhões de descritores SIFT.

Sign in / Sign up

Export Citation Format

Share Document