هدف ما طبقه بندی تصاویر با استفاده از یادگیری مبتنی بر درخت تصمیم گیری

هدف این مقاله، طبقه بندی تصاویر بدون دانش قبلی از کلاس های آن است. روش های مختلف مبتنی بر یادگیری با نظارت[۱]مطالعه شده است. این روش هاگام های مشترکی همانند استخراج زیرپنجره های تصادفی و مجموعه ی extremely randomized trees (ET)دارند که در آنها از درخت تصمیم یا به طور مستقیم برای طبقه بندی تصاویر و یا برای یادگیری ویژگی های تصویر استفاده می شود.

تاثیر پارامترهای روش و انواع آنها، به طور کامل مورد ارزیابی قرار گرفته است تا برای مطالعات آتی دستورالعملی را ارایه دهد.

پیش تر روش یادگیری مبتنی بر ظاهر، با تکیه بر استخراج زیرپنجره های تصادفی انبوه در تصویر و با استفاده از مجموعه ای از درختان تصادفی برای کلاس بندی این زیرپنجره ها ارایه شده است. علیرغم سادگی مفهوم و در نتیجه پیچیدگی زمانی اجرای کم آن، تنها نتایج جالبی را در بعضی از مجموعه داده ها به همراه داشت. بعد از آن از روش پیشنهادی برای اهداف دسته بندی اشیا، قطعه بندی تصویر و شناسایی نقاط هدف استفاده شده است.

در این مقاله روش مذکور را توسعه داده سپس برای اهداف طبقه بندی تصاویر ارزیابی شده است. در حالیکه گام های اصلی روش پیشین (یعنی استخراج زیر پنجره ها و استفاده از ET) حفظ شده است، رویکرد آموزش ویژگی با استفاده از روشی جدید در استخراج ویژگی از درخت ها تغییر داده شده است. همچنین محدوده ی پارامترهایی که هنوز بررسی نشده اند (مانند فواصل ابعاد زیرپنجره ها)بررسی شده اند.

طبقه بندی تصاویر با استفاده از یادگیری مبتنی بر درخت تصمیم گیری

Towards Generic Image Classification using Tree-based Learning

an Extensive Empirical Study

Published in:  Pattern Recognition Letters, Elsevier

Date of Publication: 2016

برای مشاهده مقاله ؛ تصویر فوق را کلیک کنید تا دانلود شود

مشخصات شبیه ساز:

 دکتری مهندسی پزشکی

دانشگاه علم و صنعت

محتویات:

• اصل مقاله
• پیاده سازی با Matlab
• گزارش کامل مقاله و توضیحات فارسی و نتایج (Word)

دانلود فایل

[۱]Supervised learning