論文の概要: Automatic and Accurate Classification of Hotel Bathrooms from Images
with Deep Learning
- arxiv url: http://arxiv.org/abs/2306.07727v1
- Date: Tue, 13 Jun 2023 12:29:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 13:51:40.763576
- Title: Automatic and Accurate Classification of Hotel Bathrooms from Images
with Deep Learning
- Title（参考訳）: 深層学習画像からのホテルバスルームの自動的・高精度分類
- Authors: Hakan Temiz
- Abstract要約: ホテルのトイレは顧客満足度において最も重要な場所の一つであり、最も苦情が報告されている場所である。
本研究では,ホテルの浴室を満足度(良さ)または不満足度(悪さ)に分類するために,ディープラーニングアルゴリズムの2つの異なるバージョンを設計した。
最上位のアルゴリズムは精度92.4%、AUCスコア0.967を達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hotel bathrooms are one of the most important places in terms of customer
satisfaction, and where the most complaints are reported. To share their
experiences, guests rate hotels, comment, and share images of their positive or
negative ratings. An important part of the room images shared by guests is
related to bathrooms. Guests tend to prove their satisfaction or
dissatisfaction with the bathrooms with images in their comments. These
Positive or negative comments and visuals potentially affect the prospective
guests. In this study, two different versions of a deep learning algorithm were
designed to classify hotel bathrooms as satisfactory (good) or unsatisfactory
(bad, when any defects such as dirtiness, deficiencies, malfunctions were
present) by analyzing images. The best-performer between the two models was
determined as a result of a series of extensive experimental studies. The
models were trained for each of 144 combinations of 5 hyper-parameter sets with
a data set containing more than 11 thousand bathroom images, specially created
for this study. The "HotelBath" data set was shared also with the community
with this study. Four different image sizes were taken into consideration: 128,
256, 512 and 1024 pixels in both directions. The classification performances of
the models were measured with several metrics. Both algorithms showed very
attractive performances even with many combinations of hyper-parameters. They
can classify bathroom images with very high accuracy. Suh that the top
algorithm achieved an accuracy of 92.4% and an AUC (area under the curve) score
of 0.967. In addition, other metrics also proved the success...
- Abstract（参考訳）: ホテルのトイレは顧客満足度において最も重要な場所の一つであり、最も苦情が報告されている。
体験を共有するために、ゲストはホテルを評価、コメントし、肯定的あるいは否定的な評価のイメージを共有します。
客が共有する部屋画像の重要な部分は浴室に関するものである。
ゲストは、コメントに画像がある浴室に対する満足感や不満を証明する傾向がある。
これらの肯定的あるいは否定的なコメントやビジュアルは、見込み客に影響を与える可能性がある。
本研究では, 画像解析により, ホテルの浴室を満足度(良さ), 満足度(悪さ, 汚れ, 欠陥, 誤動作など)と分類するために, 深層学習アルゴリズムの2つの異なるバージョンを考案した。
2つのモデル間の最良の性能は、一連の大規模な実験の結果決定された。
モデルは5つのハイパーパラメータセットと1万枚以上のバスルーム画像を含むデータセットを組み合わせた144種類の組み合わせで訓練された。
この調査では,HotelBathデータセットもコミュニティと共有された。
128ピクセル、256ピクセル、512ピクセル、1024ピクセルの4つの異なる画像サイズが考慮された。
モデルの分類性能はいくつかの指標を用いて測定した。
両方のアルゴリズムはハイパーパラメータの組み合わせでも非常に魅力的な性能を示した。
浴室の画像は非常に高い精度で分類できる。
suhはトップアルゴリズムが92.4%の精度を達成し、aucスコアは0.967であることを示した。
さらに、他の指標も成功を証明した。
関連論文リスト
- Privacy Assessment on Reconstructed Images: Are Existing Evaluation
Metrics Faithful to Human Perception? [86.58989831070426]
本研究では,手作りのメトリクスの忠実さを,再構成画像からの人間のプライバシー情報の認識に適用する。
本稿では,SemSimと呼ばれる学習に基づく尺度を提案し,オリジナル画像と再構成画像のセマンティック類似性を評価する。
論文 参考訳（メタデータ） (2023-09-22T17:58:04Z) - Saliency Guided Contrastive Learning on Scene Images [71.07412958621052]
我々は、学習中のモデルの出力から導かれるサリエンシマップを活用し、差別的な領域を強調し、対照的な学習全体をガイドする。
提案手法は,画像上の自己教師学習の性能を,画像の線形評価において+1.1,+4.3,+2.2の精度で向上させる。
論文 参考訳（メタデータ） (2023-02-22T15:54:07Z) - Diverse, Difficult, and Odd Instances (D2O): A New Test Set for Object
Classification [47.64219291655723]
既存のテストセットと十分に異なるD2Oと呼ばれる新しいテストセットを導入します。
私たちのデータセットには、36のカテゴリにまたがる8,060のイメージが含まれており、そのうち29がImageNetに表示されています。
私たちのデータセットで最高のTop-1精度は約60%で、ImageNetで91%のTop-1精度よりもはるかに低いです。
論文 参考訳（メタデータ） (2023-01-29T19:58:32Z) - Spuriosity Rankings: Sorting Data to Measure and Mitigate Biases [62.54519787811138]
本稿では,突発的手がかりに依存したモデルバイアスを簡易かつ効果的に測定・緩和する手法を提案する。
我々は,解釈可能なネットワークの深部神経的特徴をベースとして,それらのクラス内の画像のランク付けを行う。
以上の結果から,素早い特徴依存によるモデルバイアスは,モデルがどのようにトレーニングされたかよりも,モデルがトレーニングされていることの影響がはるかに大きいことが示唆された。
論文 参考訳（メタデータ） (2022-12-05T23:15:43Z) - Content-Diverse Comparisons improve IQA [23.523537785599913]
画像品質評価(IQA)は人間にとって自然な作業であり、しばしば簡単な作業となるが、タスクの効果的な自動化は依然として困難である。
ディープラーニングコミュニティの最近のメトリクスは、トレーニング中のイメージペアを比較して、PSNRやSSIMといった従来のメトリクスを改善するのが一般的です。
これにより、トレーニング中にモデルが露出する画像ペアの多様性と数を制限する。
本稿では、これらの比較とコンテンツ多様性の強化に努め、まず、比較制約を緩和し、画像のペアを異なるコンテンツと比較する。
論文 参考訳（メタデータ） (2022-11-09T21:53:13Z) - Revisiting Hotels-50K and Hotel-ID [4.794489647730955]
本稿では,ホテル50KとホテルIDの2つのホテル認識データセットの改訂版を提案する。
再検討されたバージョンは、意図した現実世界のアプリケーションとの整合性を改善するために、さまざまなレベルの困難を伴う評価設定を提供する。
論文 参考訳（メタデータ） (2022-07-20T21:38:19Z) - A Novel Disaster Image Dataset and Characteristics Analysis using
Attention Model [2.1473182295633224]
このデータセットには、火災、水、陸の3つの異なる災害のために様々なソースから収集された画像が含まれている。
このデータセットには13,720の注釈付き画像があり、各画像は3人の個人によって注釈付けされている。
3層アテンションモデル(TLAM)をトレーニングし、平均5倍の検証精度95.88%を達成する。
論文 参考訳（メタデータ） (2021-07-02T21:18:20Z) - The 2021 Hotel-ID to Combat Human Trafficking Competition Dataset [2.597151774317691]
ホテルの認識は、被害者がホテルの部屋でしばしば撮影されるため、人身売買の捜査にとって重要な課題である。
本稿では,この問題に対する意識を高め,新たなアプローチを生み出すために,2021年のHotel-IDデータセットを提案する。
データセットは、TraffickCamモバイルアプリケーションを通じてクラウドソースされアップロードされたホテルのルームイメージで構成されている。
論文 参考訳（メタデータ） (2021-06-10T13:50:28Z) - Rank-smoothed Pairwise Learning In Perceptual Quality Assessment [26.599014990168836]
階層的確率でペアワイドな経験的確率を正規化することで、より信頼性の高いトレーニング損失がもたらされることを示す。
画像品質評価モデルのトレーニングにおいて,ランクスムースな損失が人間の嗜好を予測する精度を常に向上させることを示す。
論文 参考訳（メタデータ） (2020-11-21T23:33:14Z) - InsideBias: Measuring Bias in Deep Networks and Application to Face
Gender Biometrics [73.85525896663371]
この研究は、ディープニューラルネットワークアーキテクチャに基づく学習プロセスのバイアスについて検討する。
一般的なディープニューラルネットワークに基づく2つの性別検出モデルを採用している。
バイアスモデルを検出する新しい手法であるInsideBiasを提案する。
論文 参考訳（メタデータ） (2020-04-14T15:20:50Z) - Learning Preference-Based Similarities from Face Images using Siamese
Multi-Task CNNs [78.24964622317633]
オンラインデートプラットフォームの大きな課題は、ユーザに適したマッチングを決定することだ。
ディープラーニングアプローチは、人間の顔からある程度まで様々な特性を予測できることを示した。
画像ベースマッチングの実現可能性について検討し,個人の関心や嗜好,態度とマッチングする方法について検討した。
論文 参考訳（メタデータ） (2020-01-25T23:08:12Z)
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。