3. Experimental resultsIn this work

3. Experimental results
In this work, we have created our own database despite the existence of other database, as the existing databases have
less intra-class variations or no change in viewpoint. In order to create the database we collected flower images from the
World Wide Web, and we also took photographs of flowers that can be found in and around Mysore city, Karnataka, India.
The images were taken to study the effect of our proposed method with large intra-class variation. The dataset consists of
35 species of flower, with 50 images of each. The images are rescaled so that the smallest dimension is 250 × 250 pixels.
Fig. 3(a) shows sample images of 25 classes and Fig. 3(b) shows 5 samples of 5 classes showing high intra-class variability.
The large intra-class variability and the small inter-class variability make this dataset very challenging, and subtle. Given
a set of training samples, a probabilistic neural network is trained, and later it is used to classify the given test flower. In
this experiment, we intend to study the effect of database size on classification accuracy. The experiment was conducted on
databases of 15, 20, 25, 30, and 35 classes under varying training samples from 20 to 40, with a step of 1 per class.
The experimental results for various numbers of classes and training samples are shown in Figs. 4–8. In Table 1, we have
compared the effects of all the three features (CTMs, GLCM, and Gabor responses) for various database size by fixing the
number of training samples to be 60% and keeping the remaining 40% for testing. Individually, for 15 and 20 classes, the
combination of CTMs, GLCM and Gabor responses achieves good accuracy, whereas for 25 and 30 classes the combination of
CTMs and Gabor responses achieves good classification accuracy. Finally, for 35 classes, the combination of CTMs, GLCM and
Gabor responses gives a good classification accuracy of 79%. Thus it is clear that larger the number of classes the combination
of all the texture features perform better.

ผลลัพธ์ (ไทย) 1:

3. ทดลองผลในงานนี้ เราได้สร้างฐานข้อมูลของเราเองแม้ มีการดำรงอยู่ของฐานข้อมูลอื่น เป็นฐานข้อมูลที่มีอยู่ได้รูปแบบภายในคลาสน้อยหรือไม่เปลี่ยนแปลงในจุดชมวิว เพื่อสร้างฐานข้อมูลเรารวบรวมภาพดอกไม้จากเวิลด์ไวด์เว็บ และเรายังเอาภาพของดอกไม้ที่สามารถพบได้ใน และ รอบ เมืองมัยซอร์ นิรภัย อินเดียภาพที่ถ่ายเพื่อศึกษาผลของวิธีการนำเสนอของเรามีการเปลี่ยนแปลงขนาดใหญ่ภายในคลาส ชุดข้อมูลประกอบด้วย35 ชนิดของดอกไม้ มีภาพ 50 ของแต่ละ ภาพมี rescaled ให้มิติที่เล็กที่สุดคือ 250 × 250 พิกเซลFig. 3(a) แสดงภาพตัวอย่างของชั้น 25 และ Fig. 3(b) แสดงตัวอย่าง 5 5 ชั้นแสดงความแปรผันสูงภายในคลาสความแปรผันขนาดใหญ่ภายในคลาสและความแปรผันระหว่างชั้นเล็ก ๆ ทำให้ชุดข้อมูลนี้ท้าทายมาก และละเอียดอ่อน กำหนดให้ชุดของตัวอย่างการฝึกอบรม อบรมเครือข่ายประสาท probabilistic และภายหลังการใช้เพื่อจัดประเภทดอกไม้ทดสอบให้ ในการทดลองนี้ เราตั้งใจจะศึกษาผลของขนาดฐานข้อมูลการจัดประเภทความแม่นยำ วิธีทดลองฐาน 15, 20, 25, 30 และ 35 ชั้นภายใต้การฝึกอบรมตัวอย่าง 20 กับ 40 มีขั้นตอนที่ 1 สำหรับแต่ละคลาสที่แตกต่างกันไปผลการทดลองที่จำนวนชั้นและตัวอย่างการฝึกอบรมต่าง ๆ จะแสดงใน Figs. 4-8 ในตารางที่ 1เปรียบเทียบผลกระทบของคุณลักษณะทั้งหมดที่สาม (CTMs, GLCM และกาบอร์ตอบ) สำหรับต่าง ๆ ขนาดฐานข้อมูล โดยการแก้ไขจำนวนตัวอย่างจะเป็น 60% ของการฝึกอบรม และการรักษาที่เหลือ 40% ในการทดสอบ สำหรับชั้น 15 และ 20 รายบุคคล การชุดของ CTMs, GLCM และกาบอร์ตอบได้รับความดีความถูกต้อง ในขณะที่สำหรับ 25 และ 30 คลาชุดCTMs และกาบอร์ดีประเภทความแม่นยำได้รับการตอบสนอง ในที่สุด สำหรับชั้น 35 ชุดของ CTMs, GLCM และกาบอร์ตอบสนองให้ความถูกต้องประเภทดี 79% จึงล้างที่ใหญ่จำนวนคลาชุดคุณลักษณะเนื้อทั้งหมดทำงานดีขึ้น

ผลลัพธ์ (ไทย) 2:

3. ผลการทดลอง
ในงานนี้เราได้สร้างฐานข้อมูลของเราเองแม้จะมีการดำรงอยู่ของฐานข้อมูลอื่น ๆ ที่เป็นฐานข้อมูลที่มีอยู่มี
การเปลี่ยนแปลงภายในชั้นเรียนน้อยกว่าหรือการเปลี่ยนแปลงในมุมมองที่ไม่มี เพื่อที่จะสร้างฐานข้อมูลที่เราเก็บรวบรวมภาพดอกไม้จาก
เวิลด์ไวด์เว็บและเรายังถ่ายภาพของดอกไม้ที่สามารถพบได้ในและรอบเมืองซอร์, India.
ภาพที่ถูกนำไปศึกษาผลของวิธีการที่นำเสนอของเราด้วย การเปลี่ยนแปลงภายในชั้นเรียนขนาดใหญ่ ชุดข้อมูลที่ประกอบด้วย
35 ชนิดของดอกไม้ที่มี 50 ภาพของแต่ละ ภาพจะถูก rescaled เพื่อให้มิติที่มีขนาดเล็กที่สุดคือ 250 × 250 พิกเซล.
รูป 3 () แสดงให้เห็นภาพตัวอย่างจาก 25 ชั้นเรียนและรูป 3 (ข) แสดงให้เห็นตัวอย่าง 5 5 ชั้นเรียนการแสดงความแปรปรวนภายในชั้นสูง.
แปรปรวนภายในชั้นเรียนขนาดใหญ่และความแปรปรวนระหว่างชั้นเรียนขนาดเล็กทำให้ชุดนี้ท้าทายมากและลึกซึ้ง ได้รับ
ชุดของตัวอย่างการฝึกอบรมเครือข่ายประสาทน่าจะได้รับการฝึกฝนและต่อมามันถูกใช้ในการจำแนกดอกไม้ได้รับการทดสอบ ใน
การทดลองนี้เราตั้งใจที่จะศึกษาผลของขนาดฐานข้อมูลเกี่ยวกับความถูกจัดหมวดหมู่ การทดลองได้ดำเนินการใน
ฐานข้อมูลของ 15, 20, 25, 30 และ 35 ภายใต้การเรียนที่แตกต่างกันตัวอย่างการฝึกอบรม 20-40 มีขั้นตอนของการต่อชั้น 1.
ผลการทดลองสำหรับตัวเลขต่างๆของชั้นเรียนและการฝึกอบรมกลุ่มตัวอย่างที่แสดงอยู่ในมะเดื่อ . 4-8 ในตารางที่ 1 เราได้
เมื่อเทียบกับผลกระทบของทั้งสามคุณสมบัติ (CTMS, GLCM และการตอบสนองบอร์) สำหรับขนาดของฐานข้อมูลต่างๆโดยกำหนด
จำนวนตัวอย่างการฝึกอบรมจะเป็น 60% และการรักษาส่วนที่เหลืออีก 40% สำหรับการทดสอบ ทีละ 15 และ 20 ชั้น
รวมกันของ CTMS ตอบสนอง GLCM และบอร์ประสบความสำเร็จในความถูกต้องที่ดีในขณะที่ 25 และ 30 ชั้นเรียนรวมกันของ
การตอบสนองและ CTMS บอร์ประสบความสำเร็จในการจัดหมวดหมู่ความถูกต้องดี สุดท้ายสำหรับ 35 ชั้นรวมกันของ CTMS, GLCM และ
การตอบสนองของบอร์ช่วยให้ความแม่นยำการจัดหมวดหมู่ที่ดีของ 79% ดังนั้นมันจึงเป็นที่ชัดเจนว่ามีขนาดใหญ่จำนวนของการเรียนการรวมกัน
ของทุกคุณสมบัติพื้นผิวทำงานได้ดีขึ้น

ผลลัพธ์ (ไทย) 3:

3 . ผลการทดลอง
ในงานนี้ เราได้สร้างฐานข้อมูลของเราเองแม้จะมีการดำรงอยู่ของฐานข้อมูลอื่น ๆเช่นฐานข้อมูลที่มีอยู่ภายในห้องมี
น้อยลงหรือไม่มีการเปลี่ยนแปลงรูปแบบในมุมมอง . เพื่อสร้างฐานข้อมูลที่เราเก็บภาพดอกไม้จาก
เว็บทั่วโลก และ เรายังนำภาพถ่ายของดอกไม้ที่สามารถพบได้ใน และ รอบ ๆเมือง Mysore ,
Karnataka , อินเดียภาพที่ถูกถ่าย เพื่อศึกษาผลของวิธีที่นำเสนอด้วยรูปแบบการเรียนของเราภายในขนาดใหญ่ ข้อมูลประกอบด้วย
35 ชนิดของดอกไม้ กับ 50 ภาพ ของแต่ละ ภาพ rescaled ดังนั้นมิติที่เล็กที่สุดคือ 250 × 250 พิกเซล
รูปที่ 3 ( ก ) แสดงภาพตัวอย่างของ 25 ชั้น และรูปที่ 3 ( b ) แสดงให้เห็นว่า 5 ตัวอย่าง 5 ชั้นชั้นแสดงความผันแปรภายในสูง
ภายในห้องขนาดใหญ่และขนาดเล็กของอินเตอร์ เรียนการทำ DataSet นี้ท้าทายมากและบอบบาง ให้
ชุดของตัวอย่างการฝึกอบรม , การฝึกโดยใช้โครงข่ายประสาทเทียม และต่อมามันถูกใช้เพื่อจำแนกให้ทดสอบดอกไม้ ใน
การทดลองนี้เราตั้งใจที่จะศึกษาผลของขนาดฐานข้อมูลในระดับความถูกต้อง โดยทำการทดลองใน
ฐานข้อมูลของ 15 , 20 ,25 , 30 และ 35 เรียนภายใต้การเปลี่ยนแปลง ตัวอย่างจาก 20 ถึง 40 กับขั้นตอนที่ 1 ต่อชั้นเรียน
ผลการทดลองสำหรับตัวเลขต่าง ๆของบทเรียนและตัวอย่างการฝึกอบรมจะเป็นมะเดื่อ . 4 – 8 ตารางที่ 1 เราได้
เมื่อเปรียบเทียบผลของทั้งสามคุณสมบัติ ( ctms glcm กาบอร์ , และการตอบสนอง ) สำหรับขนาดของฐานข้อมูลต่างๆ โดยการแก้ไข
จำนวนตัวอย่างการฝึกอบรมเป็น 60% ที่เหลืออีก 40% และการรักษาสำหรับการทดสอบ เป็นรายบุคคล , 15 และ 20 ชั้น รวม ctms
, และการตอบสนอง glcm กาบอร์บรรลุความถูกต้องที่ดีในขณะที่ 25 และ 30 บทเรียนการรวมกันของ
ctms กาบอร์บรรลุความถูกต้อง การจำแนก และการตอบสนองที่ดี สุดท้าย 35 ชั้น การรวมกันของ ctms glcm
, และกาบอร์ ตอบสนองให้ถูกต้องประเภทของ 79 % ดังนั้นมันจึงเป็นที่ชัดเจนว่ามีจำนวนของชั้นเรียนรวมกัน
คุณลักษณะทั้งหมดเนื้อกระทำดีกว่า