استخراج ویژگی های چندگانه ترکیبی برای کاهش خلا معنایی با طبقه بندی نیمه نظارتی

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 می‏شود. برای دستیابی به بالاترین کارایی، نتایج طبقه‌بندی سیستم با فضای رنگ و معیار شباهت متفاوت با ویژگی‌های متعدد بصورت تعاونی نیمه‌نظارتی با هم ترکیب می‌شوند. 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 ‏داده‏های 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 98.52% میباشد. آزمایشات روی پایگاه ‌داده تصاویر corel نشان می‌دهند که روش ترکیبی افزایش دقت طبقه‌بندی بطور میانگین در روش ترکیبی حدود 20% است.

extraction of multiple hybrid features to reduce the semantic vacuum with the semi-supervised classification

in this paper, for the classification of images, the observed cooperative classification method is proposed with the aim of reducing the semantic vacuum. because most classification methods are sensitive to cluster centers at initialization, the algorithm converges optimally locally if the quantification is not done correctly. it is also very difficult to combine the results of the classification due to the fact that the labels of the work centers are not clear. supervised semi‌classification is used to solve these problems. to achieve the highest performance, the system classification results are combined with different color space and similarity criteria with multiple features as a semi‌supervised cooperative. when the number of features is effective, the relevant feedback is used for its semi‌regulatory classification. one of the most important parts of an image retrieval system and a classification algorithm is to determine the appropriate similarity between images. in this study, two methods of classification of cases have been used, which include k‌nn and pnn classification, which according to the results in all proposed methods, a better response from k‌nn classification than pnn has been observed. the proposed algorithm is very suitable for classifying large image databases due to the reduction of time complexity. also, in image retrieval in different color spaces and using different similarity criteria, different classifications are obtained. better results can be achieved if the classification results are combined. recognition rate on the image data used in this study, on which the pyramidal histogram algorithm of oriented gradients is applied, has the highest rate compared to other proposed methods and is 98.52%.experiments on the corel image database show that the combined method increases the classification accuracy by an average of about 20% in the combined method.