Aiming to improve recognition rate,

Aiming to improve recognition rate, we propose a
novel flower recognition system that automatically expands the
training data from large-scale unlabeled image pools without
human intervention. Existing flower recognition approaches often
learn classifiers based on a small labeled dataset. However,
it is difficult to build a generalizable model (e.g., for realworld
environment) with only a handful of labeled training
examples, and it is labor-intensive for manually annotating largescale
images. To resolve these difficulties, we propose a novel
framework that automatically expands the training data to
include visually diverse examples from large-scale web images
with minimal supervision. Inspired by co-training methods, we
investigate two conceptually independent modalities (i.e., shape
and color) that provide complementary information to learn
our discriminative classifiers. Experimental results show that the
augmented training set can significantly improve the recognition
accuracy (from 65.8% to 75.4%) with a very small initially
labeled training set. We also conduct a set of sensitivity tests
to analyze different learning strategies (i.e., co-training and selftraining)
and show that co-training is more efficient in our multiview
flower dataset.
Index Terms-semi-supervised learning, flower recognition,
self-training, co-training

ผลลัพธ์ (ไทย) 1:

เรามุ่งพัฒนาอัตราการรู้จำ นำเสนอการดอกไม้นวนิยายระบบที่ขยายโดยอัตโนมัติในข้อมูลการฝึกอบรมจากสระว่ายน้ำขนาดใหญ่รูปที่ไม่มีป้ายชื่อโดยไม่มนุษย์ อยู่ดอกไม้การรู้วิธีมักเรียนรู้คำนามภาษาตามชื่อชุดข้อมูลขนาดเล็ก อย่างไรก็ตามยากที่จะสร้างแบบจำลอง generalizable (เช่น สำหรับ realworldสภาพแวดล้อม) กับกำมือของป้ายเท่านั้นตัวอย่าง และมันเป็นแรงงานมากสำหรับการทำ largescale หมายเหตุด้วยตนเองรูปภาพ เมื่อต้องการแก้ไขปัญหาเหล่านี้ เรานำเสนอนวนิยายกรอบที่ขยายข้อมูลการฝึกอบรมให้โดยอัตโนมัติมีตัวอย่างหลากหลายสายตาจากภาพเว็บขนาดใหญ่มีการควบคุมน้อยที่สุด แรงบันดาลใจร่วมฝึกวิธี เราตรวจสอบรังสีทางแนวคิดอิสระสอง (เช่น รูปร่างและสี) ที่ให้ข้อมูลเสริมการเรียนรู้คำนามภาษาของเรา discriminative ผลการทดลองแสดงว่าการชุดฝึกออกเมนต์สามารถปรับปรุงการรับรู้อย่างมากมีความแม่นยำ (จาก 65.8% 75.4%) มีขนาดเล็กมากในตอนแรกชื่อชุดฝึกอบรม เรายังดำเนินการชุดของการทดสอบความไวการวิเคราะห์กลยุทธ์การเรียนรู้แตกต่างกัน (เช่น ร่วมฝึกและ selftraining)และแสดงที่ร่วมฝึกอบรมมีประสิทธิภาพมากขึ้นใน multiview ของเราดอกไม้ชุดข้อมูลดัชนีเงื่อนไขกึ่งดูแลเรียนรู้ การรับรู้ของดอกไม้ร่วมฝึกอบรมด้วยตนเอง

ผลลัพธ์ (ไทย) 2:

มุ่งมั่นที่จะเพิ่มอัตราการรับรู้ที่เรานำเสนอดอกไม้นวนิยายเรื่องระบบการรับรู้ที่จะขยายข้อมูลการฝึกอบรมจากขนาดใหญ่สระว่ายน้ำที่ไม่มีป้ายกำกับภาพโดยไม่มีการแทรกแซงของมนุษย์ วิธีการรับรู้ที่มีอยู่ดอกไม้มักจะเรียนรู้แยกแยะบนพื้นฐานของชุดข้อมูลขนาดเล็กที่มีข้อความ แต่มันเป็นเรื่องยากที่จะสร้างรูปแบบ generalizable (เช่น RealWorld สภาพแวดล้อม) ที่มีเพียงไม่กี่คนของการฝึกอบรมตราหน้าว่าเป็นตัวอย่างและเป็นแรงงานมากสำหรับตนเองannotating largescale ภาพ เมื่อต้องการแก้ไขปัญหาเหล่านี้เราเสนอนวนิยายกรอบที่จะขยายข้อมูลการฝึกอบรมที่จะรวมถึงตัวอย่างที่มีความหลากหลายทางสายตาจากเว็บขนาดใหญ่ภาพที่มีการกำกับดูแลที่น้อยที่สุด แรงบันดาลใจจากการร่วมการฝึกอบรมที่เราตรวจสอบรังสีสองแนวคิดที่เป็นอิสระ(เช่นรูปร่างและสี) ที่ให้ข้อมูลที่สมบูรณ์ที่จะเรียนรู้แยกแยะจำแนกของเรา ผลการทดลองแสดงให้เห็นว่าชุดการฝึกอบรมเพิ่มอย่างมีนัยสำคัญสามารถปรับปรุงการรับรู้ความถูกต้อง(จาก 65.8% เป็น 75.4%) ที่มีขนาดเล็กมากในขั้นต้นการฝึกอบรมที่มีข้อความชุด นอกจากนี้เรายังดำเนินการชุดของการทดสอบความไวในการวิเคราะห์กลยุทธ์การเรียนรู้ที่แตกต่างกัน (เช่นร่วมการฝึกอบรมและ selftraining) และแสดงให้เห็นว่าผู้ร่วมการฝึกอบรมที่มีประสิทธิภาพมากขึ้นในการ MultiView ของเราชุดดอกไม้. ดัชนีการเรียนรู้ข้อตกลงกึ่งภายใต้การดูแลการรับรู้ดอกไม้ตนเองการฝึกอบรมร่วมการฝึกอบรม