In this paper, we propose an improv

In this paper, we propose an improved version of RBF network based on Evidence Theory (NNET)
using one input layer and two hidden layers and one output layer, to improve classifier combination and recognition reliability in particular for automatic semantic-based video content indexing and retrieval. Many combination schemes have been proposed in the literature according to the type of information provided by each classifier as well as their training and adaptation abilities. Experiments are conducted in the framework of the TrecVid 2005 features extraction task that consists in ordering shots with respect to their relevance to a given class. Finally, we show the efficiency of NN-ET combination method.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ เราได้เสนอปรับปรุงเป็นรุ่นเครือข่าย RBF ที่อยู่บนหลักฐานทฤษฎี (NNET)ใช้ชั้นหนึ่งอินพุต และการสองชั้นซ่อน และ ชั้นที่หนึ่งออก ปรับปรุง classifier ชุดและการรับรู้ความน่าเชื่อถือโดยเฉพาะอัตโนมัติทางตรรกโดยใช้วิดีโอจัดทำดัชนีเนื้อหาและการเรียก ได้รับการเสนอแผนงานชุดหลายในวรรณคดีตามชนิดของข้อมูลโดยแต่ละ classifier ตลอดจนความสามารถในการฝึกอบรมและปรับ มีดำเนินการทดลองในกรอบของงานสกัดคุณลักษณะ TrecVid 2005 ที่ประกอบด้วยในภาพสั่งเกี่ยวกับความเกี่ยวข้องกับคลาสที่กำหนด สุดท้าย เราสามารถแสดงประสิทธิภาพของวิธีรวม NN-ร้อยเอ็ด

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เรานำเสนอรุ่นปรับปรุงของเครือข่าย RBF อยู่บนพื้นฐานของทฤษฎีหลักฐาน (NNET)
โดยใช้ชั้นการป้อนหนึ่งและสองชั้นที่ซ่อนอยู่และชั้นเอาท์พุทหนึ่งในการปรับปรุงรวมกันจําแนกและความน่าเชื่อถือได้รับการยอมรับโดยเฉพาะอย่างยิ่งสำหรับการทำดัชนีเนื้อหาวิดีโอความหมายตามอัตโนมัติและ การดึง รูปแบบการรวมกันหลายคนได้รับการเสนอชื่อในวรรณคดีตามประเภทของข้อมูลที่ได้รับจากแต่ละลักษณนามเช่นเดียวกับการฝึกอบรมและความสามารถในการปรับตัวของพวกเขา การทดลองจะดำเนินการในกรอบของ TrecVid ปี 2005 มีงานสกัดที่ประกอบด้วยในการสั่งภาพที่เกี่ยวกับความเกี่ยวข้องกับระดับที่กำหนด สุดท้ายเราแสดงให้เห็นประสิทธิภาพของวิธีการรวมกัน NN-อี

ผลลัพธ์ (ไทย) 3:

ในบทความนี้เรานำเสนอรุ่นปรับปรุงของเครือข่ายบริษัทตามทฤษฎีหลักฐาน ( nnet )
ใช้ชั้นข้อมูลที่ 1 และ 2 ชั้นซ่อนและหนึ่ง output layer เพื่อปรับปรุงการรับรู้และความน่าเชื่อถือโดยเฉพาะแบบอัตโนมัติสำหรับความหมายตามเนื้อหาวิดีโอและการเรียกรวมกันหลายโครงการได้ถูกเสนอในวรรณคดีตามชนิดของข้อมูลแต่ละประเภท ตลอดจนการฝึกอบรมและความสามารถในการปรับตัว การทดลองจะดำเนินการในกรอบของ trecvid 2005 คุณลักษณะการสกัดงานที่ประกอบด้วยในการสั่งซื้อภาพเกี่ยวกับความเกี่ยวข้องของพวกเขาเพื่อให้ชั้นเรียน ในที่สุดเราแสดงประสิทธิภาพของวิธีการรวมกัน nn-et .