Shape-Based Single Object Classification Using Ensemble Method Classifiers

要約

最近は画像も増えてきています。
画像の注釈付けと取得は分類の問題を引き起こします。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ます。
コンテンツベースの検索や、画像の分類やインデックス付けのために、さまざまなシステムが提案されています。
この論文では、意味論的なギャップを効果的に橋渡しし、マルチカテゴリの画像分類を達成するための階層的分類フレームワークが提案されています。
よく知られている前処理および後処理方法が使用され、3 つの問題に適用されました。
画像セグメンテーション、オブジェクト識別、画像分類。
この方法は、Amazon と Google のデータセットからの単一オブジェクト画像を分類するために適用されました。
分類は 4 つの異なる分類子に対してテストされました。
BayesNetwork (BN)、ランダム フォレスト (RF)、バギングおよび投票。
推定分類精度は 20% ～ 99% の範囲でした (10 分割相互検証を使用)。
Bagging 分類器が最高のパフォーマンスを示し、次に Random Forest 分類器が続きます。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google