In this paper, we proposed a single

In this paper, we proposed a single neural network as a multi-class
pattern classifier to identify seven different species of butterflies. The
feature extracted from an image is the most important factor in the
success of automatic species identification systems based on images
of organisms. We used BLS entropy profiles (an assembly of BLS
entropies) as the feature for the proposed species identification
system based on an artificial neural network. All specimen images
were transformed to binary images, after which the boundary shapes
of the left wing were segregated. We selected 360 evenly distributed
points along the boundary of the shape, and calculated the BLS
entropy for each selected point.
We compared the accuracy of the network trained over BLS
entropy profiles with that of the network trained over binary vectors
to verify the effect of the former as a feature. This showed that a single
neural network system accompanied by BLS entropies calculated for
the pixels along the boundary achieved a high level of accuracy (over
86%) for the identification of butterfly species. In addition, training
the system over the training data set required only a few minutes.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ เราเสนอเครือข่ายประสาทเดี่ยวเป็นหลายคลาสรูปแบบการ classifier ระบุ 7 สายพันธุ์ต่าง ๆ ของผีเสื้อ ที่คุณสมบัติสกัดจากภาพเป็นปัจจัยสำคัญในการความสำเร็จของระบบรหัสชนิดอัตโนมัติตามรูปของสิ่งมีชีวิต เราใช้ค่าเอนโทรปีของ BLS (แอสเซมบลีของ BLSentropies) เป็นลักษณะการทำงานสำหรับการระบุชนิดการนำเสนอระบบที่ใช้บนเครือข่ายประสาทเทียม รูปตัวอย่างทั้งหมดเปลี่ยนรูปแบบไบนารี ที่ขอบเขตของรูปร่างของปีกซ้ายที่แยก เราเลือก 360 ที่กระจายอย่างสม่ำเสมอจุดตามขอบเขตของรูปร่าง และคำนวณ BLSเอนโทรปีสำหรับแต่ละเลือกจุดเราเปรียบเทียบความถูกต้องของเครือข่ายที่ผ่านการฝึกอบรมผ่านบัวหลวงค่าเอนโทรปีที่เครือข่ายการฝึกอบรมผ่านฐานสองเวกเตอร์การตรวจสอบผลของอดีตเป็นคุณลักษณะ ซึ่งพบที่เดียวพร้อม ด้วย entropies BLS ที่คำนวณสำหรับระบบเครือข่ายประสาทพิกเซลตามขอบเขตประสบความสำเร็จระดับสูงของความถูกต้อง (กว่า86%) สำหรับการระบุชนิดของผีเสื้อ นอกจากนี้ การฝึกอบรมระบบผ่านชุดข้อมูลการฝึกอบรมจำเป็นเพียงไม่กี่นาที

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เรานำเสนอเครือข่ายประสาทเดียวเป็นหลายระดับ
ลักษณนามรูปแบบที่จะระบุเจ็ดชนิดที่แตกต่างกันของผีเสื้อ
คุณลักษณะที่สกัดจากภาพเป็นปัจจัยที่สำคัญที่สุดใน
ความสำเร็จของสายพันธุ์อัตโนมัติระบบการระบุขึ้นอยู่กับภาพ
ของสิ่งมีชีวิต เราใช้โปรไฟล์ BLS เอนโทรปี (การชุมนุมของ BLS
entropies) เป็นคุณสมบัติในการจำแนกสายพันธุ์ที่นำเสนอ
ระบบขึ้นอยู่กับเครือข่ายประสาทเทียม ภาพตัวอย่างทั้งหมด
ถูกเปลี่ยนให้กับภาพไบนารีหลังจากที่รูปร่างเขตแดน
ของปีกซ้ายถูกแยก เราเลือก 360 กระจาย
จุดตามแนวพรมแดนของรูปร่างและคำนวณ BLS
เอนโทรปีสำหรับแต่ละจุดที่เลือก.
เราเมื่อเทียบกับความถูกต้องของเครือข่ายที่ได้รับการฝึกฝนมากกว่า BLS
เอนโทรปีโปรไฟล์กับที่ของเครือข่ายที่ได้รับการฝึกฝนมากกว่าเวกเตอร์ไบนารี
เพื่อตรวจสอบผลกระทบของ อดีตเป็นคุณสมบัติ นี้แสดงให้เห็นว่าเดียว
ระบบเครือข่ายประสาทพร้อมกับ BLS entropies คำนวณ
พิกเซลตามแนวพรมแดนที่ประสบความสำเร็จในระดับสูงของความถูกต้อง (กว่า
86%) สำหรับบัตรประจำตัวของผีเสื้อชนิด นอกจากนี้การฝึกอบรม
ระบบกว่าชุดข้อมูลการฝึกอบรมที่จำเป็นเพียงไม่กี่นาที

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เราเสนอเดียวโครงข่ายประสาทเทียมเป็นมัลติคลาส
รูปแบบตัวระบุเจ็ดสายพันธุ์ที่แตกต่างกันของผีเสื้อ
คุณสมบัติสกัดจากภาพเป็นปัจจัยที่สำคัญที่สุดในความสำเร็จของระบบโดยอัตโนมัติชนิดตัว

ตามภาพ ของสิ่งมีชีวิต เราใช้ BLS เอนโทรปีโปรไฟล์ ( แอสเซมบลีของ BLS
entropies ) เป็นคุณสมบัติสำหรับการเสนอชนิด
เกี่ยวกับระบบโครงข่ายประสาทเทียม . ตัวอย่างภาพ
ถูกเปลี่ยนภาพไบนารี หลังจากนั้นขอบเขตรูปร่าง
ของปีกซ้ายถูกแยก . เราเลือก 360 กระจาย
ทั่วถึงจุดตามขอบของรูปทรงและคำนวณเอนโทรปี BLS สำหรับแต่ละจุดที่เลือก

.เราเปรียบเทียบความถูกต้องของเครือข่ายการฝึกอบรมกว่า BLS
เอนโทรปีโปรไฟล์ของเครือข่ายการฝึกอบรมกว่า
เวกเตอร์ไบนารีเพื่อตรวจสอบผลของอดีตที่เป็นคุณสมบัติ นี้แสดงว่าโสด
โครงข่ายประสาทเทียมระบบมาพร้อมกับ BLS entropies คำนวณหา
พิกเซลตามขอบเขตมีระดับสูงของความถูกต้อง ( มากกว่า
86% ) เพื่อระบุตัวตนของผีเสื้อชนิดนอกจากนี้การฝึกอบรม
ระบบข้อมูลการตั้งค่าที่จำเป็นเพียงไม่กี่นาที