การเปรียบเทียบวิธีการคัดเลือคุณลักษณะด้วยอัลกอริทึมริลีฟเอฟสำหรับหลายป้ายคำศัพท์เพื่อปรับปรุงการจำแนกความหมายภาพ
Article Sidebar
Main Article Content
บทคัดย่อ
การจำแนกข้อมูลภาพได้ถูกพัฒนามาจากส่วนหนึ่งของการประมวลผลภาพดิจิทัล การนำคุณลักษณะข้อมูลที่มีความเกี่ยวข้องมาใช้งานยังคงเป็นส่วนสำคัญสำหรับการจำแนกข้อมูลภาพ โดยส่วนมาก ประสิทธิภาพของอัลกอริทึมยังคงขึ้นกับข้อมูลที่ถูกเลือกมาใช้จากฐานข้อมูลและอัลกอริทึมส่วนใหญ่จะประกอบด้วยข้อมูลหลายรูปแบบที่นำมาประกอบเข้าด้วยกัน ทำให้ชุดข้อมูลมีขนาดใหญ่จนทำให้ประสิทธิภาพของอัลกอรทึมลดลง สิ่งนี้จึงกลายเป็นปัญหาดังนั้นในงานวิจัยนี้ได้นำเสนอการคัดเลือกคุณลักษณะด้วยวิธีการริลีฟเอฟสำหรับหลายป้ายคำศัพท์เพื่อปรับปรุงการจำแนกความหมายภาพ ซึ่งการคัดเลือกคุณลักษณะที่เหมาะสมจะถูกใช้เป็นขั้นตอนแรกเพื่อลดทอนคุณลักษณะข้อมูลที่ไม่เกี่ยวข้อง วิธีการดำเนินงาน ประกอบด้วย 4 ขั้นตอนดังนี้ (1) ขั้นตอนการเตรียมข้อมูล (2) การสกัดข้อมูลภาพ (3) การคัดเลือกคุณลักษณะข้อมูลด้วยริลีฟเอฟสำหรับหลายป้ายคำศัพท์และ (4) การวัดประสิทธิภาพและประเมินผล จากการทดลองสามารถระบุได้ว่าการใช้อัลกอริทึมริลีฟเอฟสำหรับหลายป้ายคำศัพท์สามารถเพิ่มประสิทธิภาพของการจำแนกข้อมูลภาพได้ดียิ่งขึ้นถึงร้อยละ 78.87 ด้วย 12 คุณลักษณะ
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
I/we certify that I/we have participated sufficiently in the intellectual content, conception and design of this work or the analysis and interpretation of the data (when applicable), as well as the writing of the manuscript, to take public responsibility for it and have agreed to have my/our name listed as a contributor. I/we believe the manuscript represents valid work. Neither this manuscript nor one with substantially similar content under my/our authorship has been published or is being considered for publication elsewhere, except as described in the covering letter. I/we certify that all the data collected during the study is presented in this manuscript and no data from the study has been or will be published separately. I/we attest that, if requested by the editors, I/we will provide the data/information or will cooperate fully in obtaining and providing the data/information on which the manuscript is based, for examination by the editors or their assignees. Financial interests, direct or indirect, that exist or may be perceived to exist for individual contributors in connection with the content of this paper have been disclosed in the cover letter. Sources of outside support of the project are named in the cover letter.
I/We hereby transfer(s), assign(s), or otherwise convey(s) all copyright ownership, including any and all rights incidental thereto, exclusively to the Journal, in the event that such work is published by the Journal. The Journal shall own the work, including 1) copyright; 2) the right to grant permission to republish the article in whole or in part, with or without fee; 3) the right to produce preprints or reprints and translate into languages other than English for sale or free distribution; and 4) the right to republish the work in a collection of articles in any other mechanical or electronic format.
We give the rights to the corresponding author to make necessary changes as per the request of the journal, do the rest of the correspondence on our behalf and he/she will act as the guarantor for the manuscript on our behalf.
All persons who have made substantial contributions to the work reported in the manuscript, but who are not contributors, are named in the Acknowledgment and have given me/us their written permission to be named. If I/we do not include an Acknowledgment that means I/we have not received substantial contributions from non-contributors and no contributor has been omitted.
เอกสารอ้างอิง
Galleguillos C. and Belongie S., “Context Based Object Categorization: A Critical Survey”, Computer Vision and Image Understanding, 114. pp. 712-722, 2010.
N. Chinpanthana, “A Study of Feature Extraction Techniques used for Content Based Image Retrieval System”, Christian University Journal, Vol.23, No.1pp. 130-139, 2017.
Russell, B.C., Torralba, A., Murphy, K.P. et al., “LabelMe: A Database and Web-Based Tool for Image Annotation”, Int J Comput Vision, 77. pp. 157–173, 2008.
Junshi Huang, Rogerio S. Feris, Qiang Chen, Shuicheng Yan, “Cross-domain Image Retrieval with a Dual Attribute-aware Ranking Network”, Computer Vision and Pattern Recognition. pp. 1062-1070, 2015.
I. Simon, N. Snavely, and S. Seitz., “Scene summarization for online image collections”, Computer Vision. pp. 1–8, 2007.
Tang, J., S. Alelyani, and H. Liu, “Feature selection for classification: A review”, Data classification: Algorithms and applications. p. 37, 2014.
Janecek, A., Gansterer, W., Demel, M. and Ecker, G., “On the relationship between feature selection and classification accuracy”, In New Challenges for Feature Selection in Data Mining and Knowledge Discovery, pp. 90-105, 2008.
Parikh R. B., Obermeyer Z., and Bates D. W., “Making Predictive Analytics a Routine Part of patient Care.” 2016.
Liu, H. and H. Motoda, “Feature selection for knowledge discovery and data mining,” Springer Science & Business Media, Vol. 454, 2012.
El-Naggar, N., Y. El-Sonbaty, and M.A. El-Nasr, “Sentiment analysis of modern standard Arabic and Egyptian dialectal Arabic tweets,” IEEE Computing Conference, 2017.
Omar, N., et al., “A comparative study of feature selection and machine learning algorithms for arabic sentiment classification,” Asia Information Retrieval Symposium. Springer, 2014.
N. Spolaor, E. A. Cherman, M. C. Monard, “Using ReliefF for multi-label feature selection,” Proceedings of the Conferencia Latinoamericana de Informatica, Brazil, pp. 960–975, 2011.
N. Spolar, E. Cherman, M. Monard, H. Lee, “Filter approach feature selection methods to support multi-label learning based on ReliefF and Information Gain”, Proceedings of the Advances in Artificial Intelligence - SBIA2012, LNCS, Springer Berlin Heidelberg, pp. 72–81, 2012.
D. Kong, C. Ding, H. Huang, and H. Zhao, “Multi-label ReliefF and F-statistic Feature Selections for Image Annotation,” Proceedings of Computer Vision and Pattern Recognition, pp. 2352–2359, 2012.
Liu, H. and H. Motoda, “Feature selection for knowledge discovery and data mining,” Springer Science & Business Media, Vol. 454, 2012.
Tang, J., S. Alelyani, and H. Liu, “Feature selection for classification: A review,” Data classification: Algorithms and applications, p. 37, 2014.
A. Kuznetsova, et al., “The Open Images Dataset V4: Unified image classification, object detection, and visual relationship detection at scale,” IJCV, 2020.
Papadopolous et al., “Extreme clicking for efficient object annotation,” Computer Vision and Pattern Recognition ICCV, 2017.
T. Joachims, “Text categorization with support vector machines learning with many relevant features,” In Proceedings of the 10th European Conference on Machine Learning, Chemnitz, Germany. Berlin: Springer. pp.137–42, 1998.
J. Long, E. Shelhamer, and T. Darrell. “Fully convolutional networks for semantic segmentation,” In CVPR, 2015.
Ren S., He K., Girshick R. and Sun J., “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” IEEE International Conference on Computer Vision, 2015.
