روش نمایش تنک بهبود یافته برای طبقه بندی عکس
چکیده
بین کل روشهای نمایش و طبقه بندی عکس، نمایش تنک، به عنوان یک ابزار بسیار قوی اثبات شده است. در عین حال، شمار محدودی از نمونه های آموزشی، یک مساله اجتناب ناپذیر برای روشهای نمایش تنک محسوب میشوند. تلاشهای بسیاری به بهبود کارایی روشهای نمایش تنک اختصاص یافته است. در این مطالعه، مولفین، چارچوب نوینی برای بهبود دقت طبقه بندی روشهای نمایش تنک ارائه نموده اند. اولا مفهوم تقریبهای کل نمونه های آموزشی را معرفی نمودند (یعنی نمونه های آموزشی مجازی). مزیت این کار این است که به کارگیری نمونه های آموزش مجازی، میتواند سبب شود نویز در نمونه های آموزشی اصلی، اندکی کاهش یابد. به این ترتیب آنها یک تابع هدف کارامد و قابل برای افشای اطلاعات تفکیک کننده تر بین طبقات مختلف را ارائه نمودند، که برای کسب یک نتیجه طبقه بندی بهتر، بسیار معتبر است. روش نمایش تنک ابداع شده، هم نمونه های آموزشی اصلی و هم مجازی را برای بهبود دقت طبقه بندی بکار میگیرد زیرا دو نوع نمونه آموزشی، سبب میشود اطلاعات نمونه کاملا به روش مناسبی بکار روند، از این گذشته نیرومندی رضایت بخشی بدست می آید. نتایج آزمایشی در مورد کتابخانه عکس شی کلمبیا ORL، JAFFE (COIL-100) AR و پایگاه های داده CMU PIE نشان میدهد روش ارائه شده از روشهای طبقه بندی عکس به روز، بهتر عمل میکند.
1.مقدمه
طبقه بندی عکس، به عنوان یک فناوری عکس مجازی در کامپیوتر، به سرعت در حال توسعه است. در این اثنا، هم چنین توجه بسیار زیادی را در سالهای اخیر به خود جلب نموده است. کسب نتیجه طبقه بندی عکس مناسب، مبنایی برای بسیاری از کاربردهای اجتماعی- اقتصادی است. بنابراین، محققان و دانشمندان، تلاشهای بسیاری برای ابداع روشها و فناوریهای طبقه بندی پیشرفته به منظور بهبود دقت طبقه بندی انجام داده اند.
Abstract
Among all image representation and classification methods, sparse representation has proven to be an extremely powerful tool. However, a limited number of training samples are an unavoidable problem for sparse representation methods. Many efforts have been devoted to improve the performance of sparse representation methods. In this study, the authors proposed a novel framework to improve the classification accuracy of sparse representation methods. They first introduced the concept of the approximations of all training samples (i.e., virtual training samples). The advantage of this is that the application of virtual training samples can allow noise in original training samples to be partially reduced. Then they proposed an efficient and competent objective function to disclose more discriminant information between different classes, which is very significant for obtaining a better classification result. The devised sparse representation method employs both the original and virtual training samples to improve the classification accuracy since the two kinds of training samples makes sample information to be fully exploited in a good way, also satisfactory robustness to be obtained. The experimental results on the JAFFE, ORL, Columbia Object Image Library (COIL-100) AR and CMU PIE databases show that the proposed method outperforms the state-of-art image classification methods.
1 Introduction
Image classification [1, 2], as a computer vision technology [3–7], has been developing rapidly. Meanwhile, it has also attracted considerable attention in recent years [8]. Achieving good image classification result is the basis for many socioeconomic and environmental applications. Therefore, researchers and scientists have made great efforts in devising advanced classification methods and technologies to improve classification accuracy [9– 12].
چکیده
1.مقدمه
2 توصیف روش ارائه شده
3 تحلیل روش ارائه شده
3.1 مزایای روش ارائه شده
3.2 منطق های روش ارائه شده
4 نتایج آزمایشی
4.1 آزمایشات پیرامون پایگاه داده JAFFE
4.2 آزمایشات پیرامون پایگاه داده ORL
4.3 آزمایشات پیرامون پایگاه داده کتابخانه عکس اشیا کلمبیا
4.4 آزمایشات روی پایگاه داده AR
4.5 آزمایشات پیرامون پایگاه داده CMU PIE
5 نتیجه گیری
Abstract
1 Introduction
2 Description of the proposed method
3 Analysis of the proposed method
3.1 Advantages of the proposed method
3.2 Rationalities of the proposed method
4 Experimental results
4.1 Experiments on the JAFFE database
4.2 Experiments on the ORL database
4.3 Experiments on the Columbia Object Image Library database
4.4 Experiments on AR database
5 Conclusion
6 Acknowledgments
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه