We can find a couple of works carri

We can find a couple of works carried out in this direction. Nilsback and Zisserman [2] designed a flower classification
system by extracting visual vocabularies which represent the color, shape, and texture features of flower images. In order
to segment a flower from the background, the RGB color distribution is determined by labeling pixels as foreground and
background on a set of training samples, and subsequently the flower is automatically segmented using the concept of
interactive graph cuts [3]. In order to extract the color vocabulary, each flower image is mapped onto HSV (hue, saturation,
and value) color space, and the HSV values of each pixel of the training images are clustered and treated as the color vocabulary.
Shift-invariant feature transform (SIFT) descriptors are used to represent the shape features and the responses of the
MR8 filter bank in different orientations are used as texture features. Also, the authors use the combination of all the three
visual vocabularies with different weights in order to study the effect of different features. Nilsback and Zisserman [2] considered
a dataset of 17 species, each containing 80 images, and achieved an accuracy of 71.76% for a combination of all three
features. In order to study the effect of classification accuracy on a large data set, Nilsback and Zisserman in their work [4]
considered a dataset of 103 classes, each containing 40 to 250 samples. The low-level features such as color, histogram of
gradient orientations, and SIFT features are used. They have achieved an accuracy of 72.8% with an SVM classifier using multiple
kernels. Nilsback and Zisserman [5] proposed a two-step model to segment the flowers in color images, one to separate
the foreground from background and the other to extract the petal structure of the flower. This segmentation algorithm is
tolerant to changes in viewpoint and petal deformation, and the method is applicable in general for any flower class.

ผลลัพธ์ (ไทย) 2:

เราสามารถหาคู่ของผลงานที่ดำเนินการในทิศทางนี้ Nilsback และ Zisserman [2] การออกแบบการจัดหมวดหมู่ดอกไม้
ระบบโดยแยกคำศัพท์ภาพซึ่งเป็นตัวแทนของสีรูปร่างและคุณสมบัติพื้นผิวของภาพดอกไม้ ในการสั่งซื้อ
ส่วนดอกไม้จากพื้นหลังการกระจายสี RGB จะถูกกำหนดโดยการติดฉลากพิกเซลเป็นเบื้องหน้าและ
พื้นหลังในชุดของตัวอย่างการฝึกอบรมและต่อมาดอกไม้จะแบ่งโดยอัตโนมัติโดยใช้แนวคิดของการ
ตัดกราฟโต้ตอบ [3] เพื่อดึงคำศัพท์สี, ภาพดอกไม้แต่ละแมปบน HSV (สี, ความอิ่มตัวของสี
และความคุ้มค่า) พื้นที่สีและค่า HSV ของพิกเซลของภาพการฝึกอบรมแต่ละคลัสเตอร์และถือว่าเป็นคำศัพท์สี.
คุณลักษณะ Shift-คงที่ แปลง (ร่อน) อธิบายที่ใช้แทนคุณสมบัติรูปร่างและการตอบสนองของ
ธนาคารกรอง MR8 ในทิศทางที่แตกต่างกันจะถูกใช้เป็นคุณสมบัติพื้นผิว นอกจากนี้ผู้เขียนใช้การรวมกันของทั้งสาม
ภาพคำศัพท์ที่มีน้ำหนักแตกต่างกันเพื่อศึกษาผลของคุณสมบัติที่แตกต่างกัน Nilsback และ Zisserman [2] การพิจารณา
ชุดของ 17 ชนิดแต่ละที่มี 80 ภาพ, และประสบความสำเร็จในความถูกต้องของ 71.76% สำหรับการรวมกันของทั้งสาม
คุณสมบัติ เพื่อที่จะศึกษาผลของความถูกต้องในการจัดหมวดหมู่ชุดข้อมูลขนาดใหญ่, Nilsback และ Zisserman ในการทำงานของพวกเขา [4]
ถือว่าเป็นชุดข้อมูลที่ 103 ชั้นเรียนแต่ละที่มี 40-250 ตัวอย่าง ระดับต่ำเช่นมีสีกราฟของ
ทิศทางการไล่ระดับสีและคุณสมบัติ SIFT ถูกนำมาใช้ พวกเขาได้ประสบความสำเร็จในความถูกต้องของ 72.8% กับลักษณนาม SVM ใช้หลาย
เมล็ด Nilsback และ Zisserman [5] ที่นำเสนอรูปแบบสองขั้นตอนส่วนดอกไม้ในภาพสีหนึ่งที่จะแยก
เบื้องหน้าจากพื้นหลังและอื่น ๆ ที่จะดึงโครงสร้างกลีบของดอกไม้ ขั้นตอนวิธีการแบ่งส่วนนี้เป็น
ใจกว้างต่อการเปลี่ยนแปลงในมุมมองและการเปลี่ยนรูปกลีบดอกไม้และวิธีการที่มีผลบังคับใช้โดยทั่วไปสำหรับการเรียนดอกไม้ใด ๆ

ผลลัพธ์ (ไทย) 3:

เราสามารถพบกับคู่ของงานที่ดำเนินการไปในทิศทางนี้ และ nilsback zisserman [ 2 ] ออกแบบระบบการจำแนก
ดอกไม้โดยการแยกภาพคำศัพท์ที่แสดงสี รูปร่าง และลักษณะพื้นผิวของภาพดอกไม้ เพื่อ
ตามดอกไม้จากพื้นหลัง , สีกระจายจะถูกกำหนดโดยการติดฉลากพิกเซลเป็นเบื้องหน้าและ
พื้นหลังในชุดของตัวอย่างการฝึกอบรม และต่อมาดอกจะแบ่งโดยใช้แนวคิดของ
โต้ตอบกราฟตัด [ 3 ] เพื่อสกัดสี คำศัพท์ รูปภาพ ดอกไม้แต่ละครั้งจะถูกแมปไปยัง HSV ( สี , ความอิ่มตัวของสี และค่า
) พื้นที่สี HSV และค่าของแต่ละพิกเซลของภาพที่เป็นแบบฝึก และถือว่าเป็นสี
ศัพท์เปลี่ยนค่าคงที่คุณลักษณะการแปลง ( ร่อน ) ในที่ใช้เป็นตัวแทนของรูปร่างลักษณะและการตอบสนองของ
mr8 ธนาคารกรองในทิศทางที่แตกต่างกันจะถูกใช้เป็นคุณลักษณะพื้นผิว นอกจากนี้ ผู้เขียนใช้รวมกันทั้งหมด 3
ภาพคำศัพท์กับน้ำหนักที่แตกต่างกันเพื่อที่จะศึกษาผลของลักษณะที่แตกต่างกัน nilsback zisserman ถือว่า
[ 2 ] และชุดข้อมูล 17 ชนิด แต่ละที่มี 80 ภาพ และความถูกต้องของ 71.76 % สำหรับการรวมกันของทั้งสาม
คุณสมบัติ เพื่อศึกษาผลของความแม่นยำในการจำแนกในขนาดใหญ่และชุดข้อมูล nilsback zisserman ในงาน [ 4 ]
ถือว่าเป็นข้อมูล 103 ชั้นแต่ละที่มี 40 ถึง 250 คน คุณลักษณะระดับต่ำเช่นสี , ความถี่ของการปฐมนิเทศ
,ร่อนคุณสมบัติใช้ พวกเขาได้บรรลุความถูกต้อง 72.8 % กับ SVM ลักษณนามใช้หลาย
เมล็ด และ nilsback zisserman [ 5 ] ได้เสนอแบบจำลองที่ 2 ไป ส่วนดอกไม้ในรูปสี หนึ่งแยก
พื้นจากพื้นหลังและอื่น ๆ สารสกัดจากกลีบดอกโครงสร้างของดอกไม้ นี้การแบ่งส่วนขั้นตอนวิธี
ใจกว้างกับการเปลี่ยนแปลงในมุมมองและการเสียรูปของกลีบดอก และวิธีการที่ใช้โดยทั่วไปสำหรับชั้นดอกไม้ใด ๆ