論文の概要: Fruit classification using deep feature maps in the presence of
deceptive similar classes
- arxiv url: http://arxiv.org/abs/2007.05942v1
- Date: Sun, 12 Jul 2020 09:01:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 05:56:37.011791
- Title: Fruit classification using deep feature maps in the presence of
deceptive similar classes
- Title（参考訳）: 知覚類似クラスの存在下での深部特徴写像を用いた果実分類
- Authors: Mohit Dandekar, Narinder Singh Punn, Sanjay Kumar Sonbhadra, Sonali
Agarwal
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、分類対象の多レベル表現において効率的な性能を示す。
広範囲な試行により,提案手法は従来のディープラーニング手法よりも優れた性能を示した。
- 参考スコア（独自算出の注目度）: 4.811140016565928
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous detection and classification of objects are admired area of
research in many industrial applications. Though, humans can distinguish
objects with high multi-granular similarities very easily; but for the
machines, it is a very challenging task. The convolution neural networks (CNN)
have illustrated efficient performance in multi-level representations of
objects for classification. Conventionally, the existing deep learning models
utilize the transformed features generated by the rearmost layer for training
and testing. However, it is evident that this does not work well with
multi-granular data, especially, in presence of deceptive similar classes
(almost similar but different classes). The objective of the present research
is to address the challenge of classification of deceptively similar
multi-granular objects with an ensemble approach thfat utilizes activations
from multiple layers of CNN (deep features). These multi-layer activations are
further utilized to build multiple deep decision trees (known as Random forest)
for classification of objects with similar appearance. The Fruits-360 dataset
is utilized for evaluation of the proposed approach. With extensive trials it
was observed that the proposed model outperformed over the conventional deep
learning approaches.
- Abstract（参考訳）: オブジェクトの自動検出と分類は多くの産業分野で研究の領域として賞賛されている。
しかし、人間は高い多粒性の類似点を持つ物体を非常に容易に区別できるが、機械にとっては非常に難しい作業である。
畳み込みニューラルネットワーク(CNN)は、分類対象の多レベル表現において効率的な性能を示す。
従来、既存のディープラーニングモデルは、トレーニングとテストのために最後部層が生成する変換機能を利用する。
しかし、これは多粒体データではうまく機能しないことは明らかであり、特に擬似的類似クラス(ほぼ類似しているが異なるクラス)の存在下では顕著である。
本研究の目的は,複数のCNN層からの活性化を利用したアンサンブルアプローチによる,知覚的に類似した多粒状物体の分類の課題に対処することである。
これらの多層活性化は、類似した外観を持つ物体の分類のために複数の深い決定木(ランダムフォレストとして知られる)を構築するためにさらに利用される。
提案手法の評価にはFruits-360データセットを用いる。
広範な試行により,提案手法は従来のディープラーニング手法よりも優れていた。
関連論文リスト
- Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。
マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。
MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
論文 参考訳（メタデータ） (2024-03-21T08:08:31Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。
特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。
早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文 参考訳（メタデータ） (2023-06-20T03:00:22Z) - Fine-Grained ImageNet Classification in the Wild [0.0]
ロバストネステストは、典型的なモデル評価段階で気づかないいくつかの脆弱性やバイアスを明らかにすることができる。
本研究では,階層的知識の助けを借りて,密接に関連するカテゴリのきめ細かい分類を行う。
論文 参考訳（メタデータ） (2023-03-04T12:25:07Z) - Advancing 3D finger knuckle recognition via deep feature learning [51.871256510747465]
接触のない3Dフィンガーナックルパターンは、識別性、距離からの視認性、利便性、利便性により、効果的な生体認証として出現している。
近年、ディープニューラルネットワークの中間機能を複数のスケールで同時に組み込むディープ・フィーチャー・コラボレーティブ・ネットワークが開発されている。
本稿では,3次元指のナックル画像を表現するために,最小次元の識別特徴ベクトルを学習する可能性を検討することにより,本手法を推し進める。
論文 参考訳（メタデータ） (2023-01-07T20:55:16Z) - YolOOD: Utilizing Object Detection Concepts for Multi-Label
Out-of-Distribution Detection [25.68925703896601]
YolOODは、オブジェクト検出領域の概念を利用して、マルチラベル分類タスクでOOD検出を行う方法である。
提案手法を最先端のOOD検出手法と比較し,OODベンチマークデータセットの総合的なスイートにおいて,YolOODがこれらの手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-12-05T07:52:08Z) - Multilayer deep feature extraction for visual texture recognition [0.0]
本稿では,テクスチャ分類における畳み込みニューラルネットワークの精度向上に着目した。
事前訓練されたニューラルネットワークの複数の畳み込み層から特徴を抽出し、フィッシャーベクトルを用いてそのような特徴を集約する。
本手法は,ブラジルの植物種識別の実践的課題と同様に,ベンチマークデータセットのテクスチャ分類における有効性を検証する。
論文 参考訳（メタデータ） (2022-08-22T03:53:43Z) - Hybrid Optimized Deep Convolution Neural Network based Learning Model
for Object Detection [0.0]
物体の識別はコンピュータビジョンにおける最も基本的で難しい問題の1つである。
近年,ディープラーニングに基づく物体検出技術が大衆の関心を集めている。
本研究では,自律型物体検出システムを構築するために,独自のディープラーニング分類手法を用いる。
提案するフレームワークは検出精度0.9864であり、現在の技術よりも高い。
論文 参考訳（メタデータ） (2022-03-02T04:39:37Z) - Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。
本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文 参考訳（メタデータ） (2021-12-21T17:10:21Z) - Adaptive Hierarchical Decomposition of Large Deep Networks [4.272649614101117]
データセットが大きくなるにつれて、既存のディープラーニングアーキテクチャが一般的な人間によって認識可能な50以上のクラスを扱うように拡張できるかどうかという自然な疑問がある。
本稿では,単一大規模ネットワークの代替として,より小さなディープネットワーク群を自動解析し,構成するフレームワークを提案する。
結果として、より小さなネットワークは、高度にスケーラブルで、並列であり、訓練もより実践的であり、より高い分類精度を達成する。
論文 参考訳（メタデータ） (2020-07-17T21:04:50Z) - Fine-Grained Visual Classification via Progressive Multi-Granularity
Training of Jigsaw Patches [67.51747235117]
きめ細かい視覚分類(FGVC)は従来の分類よりもはるかに難しい。
最近の研究は主に、最も差別的な部分の発見に焦点をあてることによってこの問題に対処している。
本稿では,これらの問題に対処するための視覚的細粒度分類のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-03-08T19:27:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。