Traditional classification approach

Traditional classification approaches generalize poorly on image classification tasks, because of the high dimensionality of the feature space. This paper shows that support vector machines (SVM) can generalize well on difficult image classification problems where the only features are high dimensional histograms. Heavy-tailed RBF kernels of the form K(x, y)=e-ρΣi|xia-yia|b with a ⩽1 and b⩽2 are evaluated on the classification of images extracted from the Corel stock photo collection and shown to far outperform traditional polynomial or Gaussian radial basis function (RBF) kernels. Moreover, we observed that a simple remapping of the input xi→xia improves the performance of linear SVM to such an extend that it makes them, for this problem, a valid alternative to RBF kernels

ผลลัพธ์ (ไทย) 1:

วิธีการจัดประเภทแบบดั้งเดิมทั่วไปไม่ดีภาพประเภทงาน เนื่องจาก dimensionality สูงพื้นที่คุณลักษณะ เอกสารนี้แสดงว่า สนับสนุนเครื่องแบบเวกเตอร์ (SVM) สามารถเมดีในปัญหาประเภทภาพยากที่มีคุณลักษณะเฉพาะเป็นฮิสโตแกรมรูปสูง หางหนัก RBF เมล็ดของแบบ K (x, y) = e-ρΣi|xia-yia|b กับ ⩽1 การ และ b⩽2 จะประเมินเกี่ยวกับการจัดประเภทของภาพที่ถูกแยกจากคอลเลกชันภาพถ่ายสต็อกของ Corel และแสดงไกลมีประสิทธิภาพสูงกว่าแบบพหุนาม หรือ Gaussian รัศมีพื้นฐานฟังก์ชัน (RBF) เมล็ด นอกจากนี้ เราพบว่า ตัวอย่าง remapping ของ xi→xia นำเข้าเพิ่มประสิทธิภาพของ SVM เชิงเส้นเพื่อขยายที่ทำให้พวกเขา ปัญหานี้ เป็นทางเลือกที่ถูกต้องให้เมล็ด RBF

ผลลัพธ์ (ไทย) 2:

วิธีการจัดหมวดหมู่แบบดั้งเดิมคุยไม่ดีเกี่ยวกับงานที่จัดหมวดหมู่ภาพเพราะมิติสูงของพื้นที่คุณลักษณะ บทความนี้แสดงให้เห็นว่าการสนับสนุนเครื่องเวกเตอร์ (SVM) สามารถพูดคุยกันเกี่ยวกับปัญหาการจัดหมวดหมู่ภาพยากที่คุณสมบัติเฉพาะ histograms มิติสูง เมล็ด RBF หนักเทลด์ในรูปแบบ K (x, y) = E-ρΣi | xia-เยีย | ขกับ⩽1b⩽2และได้รับการประเมินในการจัดหมวดหมู่ของภาพที่สกัดจากคอลเลกชันภาพ Corel หุ้นและการแสดงเพื่อให้ห่างไกล ดีกว่ารัศมีพหุนามหรือเสียนฟังก์ชั่นพื้นฐานดั้งเดิม (RBF) เมล็ด นอกจากนี้เรายังตั้งข้อสังเกตว่าแมปที่เรียบง่ายของการป้อนข้อมูล Xi → xia ช่วยเพิ่มประสิทธิภาพการทำงานของ SVM เส้นดังกล่าวขยายว่ามันทำให้พวกเขาสำหรับปัญหานี้เป็นทางเลือกที่ถูกต้องในการเมล็ด RBF

ผลลัพธ์ (ไทย) 3:

แนวทางการจัดประเภทดั้งเดิมวางแผนงานงานหมวดหมู่ภาพ เพราะ dimensionality สูงคุณลักษณะพื้นที่ บทความนี้แสดงให้เห็นว่าสนับสนุนเวกเตอร์เครื่องจักร ( SVM ) สามารถอนุมานในการจำแนกปัญหาที่ยากภาพคุณลักษณะเฉพาะสูงมิติ histograms . ฐานหนักหางเมล็ดของแบบฟอร์ม K ( XY = e - ρΣผม | Xia เยีย | B กับ B ⩽⩽ 1 และ 2 ส่วนในการจำแนกภาพสกัดจาก Corel ภาพถ่ายคอลเลกชันและแสดงให้ไกลดีกว่าแบบ Gaussian ฟังก์ชันพหุนามหรือเรเดียลเบซิส ( RBF ) เมล็ด นอกจากนี้เราพบว่าแมปง่ายของข้อมูล Xi → keyboard - key - name Xia ช่วยเพิ่มประสิทธิภาพของ SVM เชิงเส้น ถึงขนาดที่ทำให้พวกเขาสำหรับปัญหานี้เป็นทางเลือกที่ถูกต้องเพื่อเมล็ดสำเร็จรูป