UNSUPERVISED FEATURE LEARNING FOR MID-LEVEL DATA
REPRESENTATION
Journal Name:
- Journal of Naval Sciences And Engineering
Key Words:
Keywords (Original Language):
Author Name |
---|
Abstract (2. Language):
Attribute based approaches are commonly used in recent years instead of low
level features for image classification which is one of the most important
problems in the field of computer vision. The most important advantage of
attribute based approach is that learning can be performed similar to human
by using attributes which makes sense for people. In this study, unsupervised
attributes are developed in order to avoid human related problems in
supervised attribute learning. In our proposed work, the attributes are
generated as random binary and relative definitions. The process of random
attribute generation simplifies the data modeling when compared to other work
in the literature. In addition, a major problem which is the increasing the
numbers of attributes in attribute based approaches is eliminated owing to the
increasing the numbers of attributes easily. Furthermore, attributes are
selected more wisely using simple applicable algorithm to improve the
discriminative capacity of randomly generated attribute set for image
classification. The proposed approaches are evaluated with the other similar
attribute based studies comparatively in the literature based on the same data
set (OSR-Open Scene Recognition). Experiments show that noteworthy
performance increase is achieved.
Bookmark/Search this post with
Abstract (Original Language):
Bilgisayarla görme alanındaki en önemli problemlerden birisi olan imge
sınıflandırma için öznitelik tabanlı klasik yaklaşımların yanı sıra nitelik tabanlı
yaklaşımlar son yıllarda sıklıkla kullanılmaya başlanmıştır. Nitelik tabanlı
yaklaşımların en önemli avantajı, insanlar için anlam ifade eden niteliklerin
kullanılması vasıtasıyla insanoğluna benzer bir öğrenme yapılabilmesidir. Bu
çalışmada, denetimli nitelik öğrenme sürecinde insan faktörü sebebiyle
oluşabilecek sorunlardan kaçınmak amacıyla denetimsiz yaklaşım
geliştirilmiştir. Denetimsiz yaklaşımımızda niteliklerin ikili ve göreceli olarak
rastgele üretilmesi sayesinde nitelik öğrenme süreci, literatürdeki diğer
denetimli ve denetimsiz yaklaşımlara göre daha kolay hale gelmiştir. Ayrıca,
nitelik sayısının basit bir şekilde artırılması ile nitelik tabanlı yaklaşımlarda
büyük bir problem olan nitelik sayısının artırılması basitleştirilmiştir. Rastgele
üretilen nitelik kümesinin imge sınıflandırma için ayırt etme kapasitesini
artırmak maksadıyla, rastgele üretilen nitelikler arasından en iyileri kolay
uygulanabilir bir algoritma sayesinde seçilmiştir. Çalışmada önerilen
yaklaşımlar literatürdeki diğer benzer nitelik tabanlı çalışmalarla aynı veri
kümesi (OSR-Açık Alan Tanıma - Open Scene Recognition) üzerinden ve farklı
sınıflandırıcılar kullanılarak test edilmiştir. Yapılan deneylerde denetimsiz
öğrenilen göreceli niteliklerin dikkate değer bir performans artışı sağladığı
görülmüştür.
- 1