فهرست مقالات حاشیه نویسی

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - استخراج ویژگی های چندگانه ترکیبی برای کاهش خلا معنایی با طبقه بندی نیمه نظارتی
  مهدی جلالی توحید صدقی
  10.30495/jce.2022.691134
  در این مقاله برای طبقه بندی تصاویر، روش طبقه‌بندی تعاونی ‌نظارت‌شده با هدف کاهش خلا معنایی پیشنهاد می‌شود. اکثر روش‌های طبقه‌بندی به مقداردهی اولیه به مراکز خوشه حساس هستند و اگر به‌‌درستی مقداردهی انجام نشود الگوریتم به بهینه محلی همگرا می‌شود. همچنین ترکیب نتایج طبقه‌ چکیده کامل

  در این مقاله برای طبقه بندی تصاویر، روش طبقه‌بندی تعاونی ‌نظارت‌شده با هدف کاهش خلا معنایی پیشنهاد می‌شود. اکثر روش‌های طبقه‌بندی به مقداردهی اولیه به مراکز خوشه حساس هستند و اگر به‌‌درستی مقداردهی انجام نشود الگوریتم به بهینه محلی همگرا می‌شود. همچنین ترکیب نتایج طبقه‌بندی به‌دلیل مشخص نبودن برچسب مراکز کار بسیار مشکلی است. برای برطرف کردن این مشکلات از طبقه‌بندی ‌نیمه نظارت شده استفاده می شود. برای دستیابی به بالاترین کارایی، نتایج طبقه‌بندی سیستم با فضای رنگ و معیار شباهت متفاوت با ویژگی‌های متعدد بصورت تعاونی نیمه‌نظارتی با هم ترکیب می-شوند. در شرایطی که تعداد ویژگی‌ها موثر هستند، از بازخورد مرتبط برای طبقه‌بندی نیمه نظارتی استفاده می‌شود. در این پژوهش از دو روش طبقهبندی حالات استفاده شده است که شامل طبقهبندی k-NN و PNN است که با توجه به نتایج در همه روشهای پیشنهاد شده، از طبقهبندی k-NN پاسخ بهتری نسبت به PNN مشاهده شده است. الگوریتم پیشنهادی بدلیل کاهش پیچیدگی زمان، برای طبقه‌بندی پایگاه داده های بزرگ تصاویر بسیار مناسب است. نرخ بازشناسی بر دادههای تصویری استفاده‌شده در این تحقیق که الگوریتم هیستوگرام هرمی گرادیانهای جهتدار بر آنها اعمال شده، دارای بالاترین نرخ نسبت به دیگر روشهای پیشنهادی بوده و 52/98% میباشد. آزمایشات روی پایگاه ‌داده تصاویر Corel نشان می‌دهند که روش ترکیبی افزایش دقت طبقه‌بندی بطور میانگین در روش ترکیبی حدود 20% است. پرونده مقاله