論文の概要: Novel Multicolumn Kernel Extreme Learning Machine for Food Detection via
Optimal Features from CNN
- arxiv url: http://arxiv.org/abs/2205.07348v1
- Date: Sun, 15 May 2022 18:07:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-18 03:59:52.393745
- Title: Novel Multicolumn Kernel Extreme Learning Machine for Food Detection via
Optimal Features from CNN
- Title(参考訳): CNNの最適特徴を用いた食品検出のための新しいマルチカラムカーネル極端学習装置
- Authors: Ghalib Ahmed, Tahir Chu, Kiong Loo
- Abstract要約: 本稿では,効率的なニューラルネットワークから最適な特徴を抽出し,選択するためのハイブリッドフレームワークを提案する。
我々は,カーネル極端学習機械(KELM)を非線形決定境界と優れた一般化能力により活用する。
提案するフレームワークの評価には、9つのパブリックデータセットを使用して、大規模な食品/食品以外のデータセットを用意している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic food detection is an emerging topic of interest due to its wide
array of applications ranging from detecting food images on social media
platforms to filtering non-food photos from the users in dietary assessment
apps. Recently, during the COVID-19 pandemic, it has facilitated enforcing an
eating ban by automatically detecting eating activities from cameras in public
places. Therefore, to tackle the challenge of recognizing food images with high
accuracy, we proposed the idea of a hybrid framework for extracting and
selecting optimal features from an efficient neural network. There on, a
nonlinear classifier is employed to discriminate between linearly inseparable
feature vectors with great precision. In line with this idea, our method
extracts features from MobileNetV3, selects an optimal subset of attributes by
using Shapley Additive exPlanations (SHAP) values, and exploits kernel extreme
learning machine (KELM) due to its nonlinear decision boundary and good
generalization ability. However, KELM suffers from the 'curse of dimensionality
problem' for large datasets due to the complex computation of kernel matrix
with large numbers of hidden nodes. We solved this problem by proposing a novel
multicolumn kernel extreme learning machine (MCKELM) which exploited the k-d
tree algorithm to divide data into N subsets and trains separate KELM on each
subset of data. Then, the method incorporates KELM classifiers into parallel
structures and selects the top k nearest subsets during testing by using the
k-d tree search for classifying input instead of the whole network. For
evaluating a proposed framework large food/non-food dataset is prepared using
nine publically available datasets. Experimental results showed the superiority
of our method on an integrated set of measures while solving the problem of
'curse of dimensionality in KELM for large datasets.
- Abstract(参考訳): 自動食品検出は、ソーシャルメディアプラットフォーム上の食品画像の検出から、食事アセスメントアプリのユーザからの非食品写真のフィルタリングまで、幅広いアプリケーションによって注目されている。
新型コロナウイルス(COVID-19)のパンデミックでは、公共の場でカメラの食事活動を自動的に検知することで、食事禁止の実施が促進されている。
そこで我々は,食品画像の認識を高精度に行うために,効率的なニューラルネットワークから最適な特徴を抽出し,選択するためのハイブリッドフレームワークを提案する。
非線形分類器を用いて、線形に分離できない特徴ベクトルを高精度に判別する。
提案手法は,MobileNetV3の特徴を抽出し,Shapley Additive exPlanations(SHAP)値を用いて属性の最適サブセットを選択し,その非線形決定境界と優れた一般化能力によりカーネル極端学習マシン(KELM)を利用する。
しかしkelmは、多数の隠れノードを持つカーネル行列の複雑な計算のために、大規模なデータセットの「次元の曲線問題」に苦しむ。
我々は、k-d木アルゴリズムを利用してデータをNサブセットに分割し、データのサブセットごとにKELMを分離する新しいマルチカラムカーネル極端学習マシン(MCKELM)を提案する。
次に、KELM分類器を並列構造に組み込み、k-d木探索を用いてネットワーク全体の代わりに入力を分類することにより、テスト中の上位k近傍サブセットを選択する。
提案フレームワークを評価するために,9つの公開データセットを用いて大規模食品/非食品データセットを作成する。
実験の結果,大規模データセットのkelmにおける次元曲線の問題を解きながら,総合的な測度集合における本手法の優越性を示した。
関連論文リスト
- A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-12-17T04:41:07Z) - KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。
1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。
その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
論文 参考訳(メタデータ) (2023-07-16T04:27:03Z) - Feature Selection using Sparse Adaptive Bottleneck Centroid-Encoder [1.2487990897680423]
2つ以上のクラスで識別される特徴を決定するために,新しい非線形モデル SABCE (Sparse Adaptive Bottleneckid-Encoder) を導入する。
このアルゴリズムは、高次元生物学的、画像、音声、加速度センサデータなど、様々な実世界のデータセットに適用される。
論文 参考訳(メタデータ) (2023-06-07T21:37:21Z) - A distribution-free mixed-integer optimization approach to hierarchical modelling of clustered and longitudinal data [0.0]
我々は,新しいデータポイントに対するクラスタ効果を評価する革新的なアルゴリズムを導入し,このモデルのロバスト性や精度を高める。
このアプローチの推論的および予測的効果は、学生のスコアリングとタンパク質発現に適用することでさらに説明される。
論文 参考訳(メタデータ) (2023-02-06T23:34:51Z) - Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。
我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。
RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
論文 参考訳(メタデータ) (2022-10-21T15:56:13Z) - Sparse Centroid-Encoder: A Nonlinear Model for Feature Selection [1.2487990897680423]
我々はCentro Sparseid-Encoderと呼ばれる非線形データ削減と可視化のためのCentroid-Encoderのスパース実装を開発した。
また、各特徴をその発生によってランク付けする特徴選択フレームワークも提供し、検証セットを用いて最適な特徴数を選択する。
このアルゴリズムは、単細胞生物データ、高次元感染症データ、ハイパースペクトルデータ、画像データ、音声データを含む幅広いデータセットに適用される。
論文 参考訳(メタデータ) (2022-01-30T20:46:24Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳(メタデータ) (2021-04-03T09:08:12Z) - A Novel Bio-Inspired Hybrid Multi-Filter Wrapper Gene Selection Method
with Ensemble Classifier for Microarray Data [0.8594140167290097]
遺伝子選択問題を解き、エンサンブルアルゴリズムを構築するために、新しいハイブリッドソリューションが提示される。
ACMOFOAはデータセットの寸法を小さくし、KELMを最適化し、分類の精度を高めることを目的としたラッパー法として提示される。
提案アルゴリズムの性能は,9つのマイクロアレイデータセット上で評価された。
論文 参考訳(メタデータ) (2021-01-04T07:57:35Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z) - Representation Extraction and Deep Neural Recommendation for
Collaborative Filtering [9.367612782346207]
本稿では,評価行列からユーザやアイテムを抽出する新しい表現学習アルゴリズムについて検討する。
Representation eXtraction と Deep Neural NETwork (RexNet) の2つの相からなるモジュラーアルゴリズムを提案する。
RexNetは、視覚情報やテキスト情報のような構造化されていない補助データに依存しない。
論文 参考訳(メタデータ) (2020-12-09T11:15:23Z) - Stepwise Model Selection for Sequence Prediction via Deep Kernel
Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。
結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。
我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文 参考訳(メタデータ) (2020-01-12T09:42:19Z)
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。