Discussion :

[samyBgood]

Bonjour à tous,
Voilà je cherche une idée d'algorithme de tri optimisé.

J'ai des images retournés par google api vision avec un scoring par label identifié, en gros ça donne:


fleur.jpg :
plante : 0.9
fleur: 0.8
tulipe: 0.6

etc... pour chaque image.

J'aimerais prendre une image et trouver celles qui lui sont le plus ressemblantes.

J'ai donc fais la moyenne pondérée pour chaque image en faisant le produit du score du label de l'image recherchée par le toutes les autres.

En gros comme ce tableau:




Mais ça demande de parcourir pour chaque label, les autres labels et faire le produit. Ce qui donne un algorithme très long sur un ensemble de donnée important( n carré?)
J'ai essayer de trouver des algorithme qui permettent de trouver le poids d'une ligne dans une matrice par rapport à une autre mais sans succès.

Avez vous des pistes pour moi?

Merci de m'avoir lu, si je ne suis pas clair n'hésitez pas à me dire et je reformulerais un peu mieux.

[Flodelarab]

Bonjour

Tu mélanges les dimensions. Donc pas de différence entre (4 4 4) et (1 1 10). Pourtant le premier est plus proche que le second.

Il serait préférable de calculer la distance euclidienne dans un espace à n (5 ?) dimensions.



La plus petite distance pointe la photo la plus ressemblante.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
4	4	4	6,92820323027551
1	1	10	10,0995049383621

[tbc92]

Comme dit Flodelarab, ta méthode ne convient pas. Tu calcules un nombre pour chaque véhicule, et tu réduis chaque véhicule à ce nombre.

Tu n'as pas le choix, tu doit calculer une espèce de distance entre Véhicule.A et Véhicule.B, en utilisant toutes les caractéristiques de Véhicule.A et de Véhicule.B, et tu dois faire ça pour tous les couples de véhicules. Ca fait beaucoup de calculs, mais certains langage (je pense à Python), sont assez adaptés pour faire ce genre de calculs.

Flodelarab te suggère de calculer une distance euclidienne. Il y a pas mal d'articles où on parle de calculer des cosinus.