• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>2018 International Workshop on Advanced Image Technology >SVM ensemble approaches for improving texture classification performance based on complex network model with spatial information
【24h】

SVM ensemble approaches for improving texture classification performance based on complex network model with spatial information

机译：基于带有空间信息的复杂网络模型的SVM集成改进纹理分类性能的方法

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper proposes an SVM ensemble approach for improving textural classification performance. Finding informative patterns in an image texture is an important issue for image classification and remains a challenge. Local spatial pattern mapping (LSPM) method has been proposed for texture classification based on a complex network model. The purpose of the method was manipulating the spatial distribution in an image texture with multi-radial distance analysis. Although the classification performance was improved, there is a limitation by using a single support vector machine (SVM) as a classifier. Accordingly, we propose an SVM ensemble method with Bagging technique to overcome the limitation by showing improved textural classification performance. In experiments, the SVM ensemble classification performance is compared to the single SVM, SVM with cross-validation and k-NN classifiers by using the Brodatz, UIUC and Outex texture databases. As results, the SVM ensemble is shown to be effective for improving textural classification performance as compared to the other classifiers.
机译：本文提出了一种SVM集成方法来提高纹理分类性能。在图像纹理中寻找信息模式是图像分类的重要问题，并且仍然是一个挑战。提出了基于复杂网络模型的局部空间模式映射（LSPM）方法进行纹理分类。该方法的目的是通过多径向距离分析来操纵图像纹理中的空间分布。尽管改进了分类性能，但是通过使用单个支持向量机（SVM）作为分类器存在局限性。因此，我们提出了一种使用Bagging技术的SVM集成方法，以通过显示改进的纹理分类性能来克服该限制。在实验中，通过使用Brodatz，UIUC和Outex纹理数据库，将SVM集成分类性能与单个SVM，具有交叉验证的SVM和k-NN分类器进行了比较。结果，与其他分类器相比，SVM集合显示出对改善纹理分类性能有效。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号