論文の概要: Shape-Based Single Object Classification Using Ensemble Method Classifiers

• arxiv url: http://arxiv.org/abs/2501.09311v1
• Date: Thu, 16 Jan 2025 05:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:11:56.645320
• Title: Shape-Based Single Object Classification Using Ensemble Method Classifiers
• Title（参考訳）: アンサンブル法分類器を用いた形状ベース単一オブジェクト分類
• Authors: Nur Shazwani Kamarudin, Mokhairi Makhtar, Syadiah Nor Wan Shamsuddin, Syed Abdullah Fadzli,
• Abstract要約: セマンティックギャップを効果的にブリッジするための階層的分類フレームワークが提案されている。 この手法は、AmazonとGoogleのデータセットから単一のオブジェクトイメージを分類するために適用された。 分類精度は20%から99%と推定された。
• 参考スコア（独自算出の注目度）: 0.14999444543328289
• License:
• Abstract: Nowadays, more and more images are available. Annotation and retrieval of the images pose classification problems, where each class is defined as the group of database images labelled with a common semantic label. Various systems have been proposed for content-based retrieval, as well as for image classification and indexing. In this paper, a hierarchical classification framework has been proposed for bridging the semantic gap effectively and achieving multi-category image classification. A well known pre-processing and post-processing method was used and applied to three problems; image segmentation, object identification and image classification. The method was applied to classify single object images from Amazon and Google datasets. The classification was tested for four different classifiers; BayesNetwork (BN), Random Forest (RF), Bagging and Vote. The estimated classification accuracies ranged from 20% to 99% (using 10-fold cross validation). The Bagging classifier presents the best performance, followed by the Random Forest classifier.
• Abstract（参考訳）: 現在、ますます多くの画像が利用可能になっている。 画像の注釈と検索は分類問題を引き起こし、各クラスは共通の意味ラベルでラベル付けされたデータベース画像のグループとして定義される。 コンテントベース検索や画像分類やインデックス作成のための様々なシステムが提案されている。 本稿では,セマンティックギャップを効果的にブリッジし,マルチカテゴリ画像分類を実現するための階層型分類フレームワークを提案する。 画像分割,物体識別,画像分類という3つの問題に対して,よく知られた前処理と後処理を応用した。 この手法は、AmazonとGoogleのデータセットから単一のオブジェクトイメージを分類するために適用された。 この分類は、BayesNetwork (BN)、Random Forest (RF)、Bagging、Voteの4つの異なる分類で試験された。 分類精度は20%から99%(クロス検証10倍)であった。 Bagging分類器が最高のパフォーマンスを示し、Random Forest分類器が続く。

関連論文リスト

• Comparison Knowledge Translation for Generalizable Image Classification [31.530232003512957]
  画像分類タスクにおいて,人間の認識機構をエミュレートする一般化可能なフレームワークを構築した。 本稿では,比較分類器とマッチング判別器を組み合わせた比較分類翻訳ネットワーク(CCT-Net)を提案する。 CCT-Netは、未確認カテゴリにおける驚くほどの一般化能力と、対象カテゴリにおけるSOTA性能を実現する。
  論文  参考訳（メタデータ） (2022-05-07T11:05:18Z)
• iCAR: Bridging Image Classification and Image-text Alignment for Visual Recognition [33.2800417526215]
  画像分類は,過去10年間の視覚的表現学習における主要なアプローチである。 しかし、画像テキストアライメントによる視覚学習は、特にゼロショット認識において、有望なパフォーマンスを示すようになった。 本稿では,2つの学習課題を効果的に橋渡しする3つの適応型深層融合法を提案する。
  論文  参考訳（メタデータ） (2022-04-22T15:27:21Z)
• Generalized Category Discovery [148.32255950504182]
  本稿では,ラベル付き画像集合とラベル付き画像集合とを併用した画像認識手法を提案する。 ここでは、未表示の画像はラベル付きクラスから、あるいは新しいものから来ているかもしれない。 まず、新しいカテゴリー発見から最先端のアルゴリズムを取り入れ、そのタスクに適応することで、強力なベースラインを確立する。 次に、単純だが効果的な半教師付き$k$-meansメソッドを導入する。
  論文  参考訳（メタデータ） (2022-01-07T18:58:35Z)
• Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
  Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。 本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
  論文  参考訳（メタデータ） (2021-07-16T07:46:41Z)
• Per-Pixel Classification is Not All You Need for Semantic Segmentation [184.2905747595058]
  マスク分類はセマンティックレベルのセグメンテーションタスクとインスタンスレベルのセグメンテーションタスクの両方を解くのに十分一般的である。 マスクの集合を予測する単純なマスク分類モデルであるMaskFormerを提案する。 提案手法は,現在の最先端セマンティック(ADE20Kでは55.6 mIoU)とパノプティックセグメンテーション(COCOでは52.7 PQ)モデルの両方に優れる。
  論文  参考訳（メタデータ） (2021-07-13T17:59:50Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• Using Unlabeled Data for Increasing Low-Shot Classification Accuracy of Relevant and Open-Set Irrelevant Images [0.4110108749051655]
  自動運転車による探索,探索,偵察作業には,画像分類機能が必要である。 学習中に,各関連クラスに対して,ラベル付き画像の控えめな数を使用する,オープンセットのローショット分類器を提案する。 関連するクラスから画像を識別し、候補画像が無関係かどうかを判断し、トレーニングに含まれていない無関係画像のカテゴリをさらに認識することができる。
  論文  参考訳（メタデータ） (2020-10-01T23:11:07Z)
• Zero-Shot Recognition through Image-Guided Semantic Classification [9.291055558504588]
  ゼロショット学習(ZSL)のための新しい埋め込み型フレームワークを提案する。 複数ラベル分類のための2値関係法により,画像と意味分類器のマッピングを逆学習する手法を提案する。 IGSCは概念的には単純であり、分類のための既存のディープアーキテクチャをわずかに拡張することで実現可能である。
  論文  参考訳（メタデータ） (2020-07-23T06:22:40Z)
• Web page classification with Google Image Search results [0.28675177318965034]
  入力のクラスを決定するために,複数のニューラルネットワーク結果を組み合わせた新しい手法を提案する。 この手法をウェブページ分類に用いた最初の研究である。
  論文  参考訳（メタデータ） (2020-05-30T09:16:20Z)
• SCAN: Learning to Classify Images without Labels [73.69513783788622]
  機能学習とクラスタリングを分離する2段階のアプローチを提唱する。 表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。 我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
  論文  参考訳（メタデータ） (2020-05-25T18:12:33Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)

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。