Clothing Image Classification with a Dragonfly Algorithm Optimised Online Sequential Extreme Learning Machine

• Autorzy: Li Jianqiang , Shi Weimin , Yang Donghe

Identyfikatory

DOI

10.5604/01.3001.0014.7793

Warianty tytułu

PL

Klasyfikacja obrazu odzieży za pomocą zoptymalizowanego algorytmu Dragonfly sekwencyjnej maszyny uczącej się

• Języki publikacji: EN

Abstrakty

EN

This study proposes a solution for the issue of the low classification accuracy of clothing images. Using Fashion-MNIST as the clothing image dataset, we propose a clothing image classification technology based on an online sequential extreme learning machine (OSELM) optimised by the dragonfly algorithm (DA). First, we transform the Fashion-MNIST dataset into a data set that we extract from the corresponding grey image. Then, considering that the input weight and hidden layer bias of an OSELM are generated randomly, a DA is proposed to optimise the input weight and hidden layer bias of the OSELM to reduce the influence of random generation on the classification results. Finally, the optimised OSELM is applied to the clothing image classification. Compared to the other seven types of classification algorithms, the proposed clothing image classification model with the DA-optimised OSELM reached 93.98% accuracy when it contained 350 hidden nodes. Its performance was superior to other algorithms that were configured with the same number of hidden nodes. From a stability analysis of the box-plot, it was found that there were no outliers exhibited by the DA-OSELM model, whereas some other models had outliers or had lower stability compared to the model proposed, thereby validating the efficacy of the solution proposed.

PL

W pracy zaproponowano rozwiązanie problemu niskiej dokładności klasyfikacyjnej obrazów odzieży. Wykorzystując Fashion-MNIST jako zbiór danych obrazu odzieży, zaproponowano technologię klasyfikacji obrazów odzieży w oparciu o sekwencyjną maszynę uczącą się (OSELM) zoptymalizowaną przez algorytm Dragonfly (DA). Najpierw przekształcono zbiór danych Fashion-MNIST w zestaw danych, który wyodrębniono z obrazu. Następnie, biorąc pod uwagę, że waga wejściowa i odchylenie warstwy ukrytej OSELM były generowane losowo, w celu zmniejszenia wpływu generowania losowego na wyniki klasyfikacji zaproponowano DA w celu optymalizacji wagi wejściowej i obciążenia warstwy ukrytej OSELM. Następnie, zoptymalizowany OSELM zastosowano do klasyfikacji obrazu odzieży. W porównaniu z pozostałymi siedmioma typami algorytmów klasyfikacji, proponowany model klasyfikacji obrazu odzieży ze zoptymalizowanym przez DA OSELM osiągnął dokładność 93,98%. Jego wydajność przewyższyła inne algorytmy. Na podstawie analizy stabilności wykresu stwierdzono, że nie było wartości odstających wykazywanych przez model DA-OSELM, podczas gdy niektóre inne modele miały wartości odstające lub miały niższą stabilność w porównaniu z proponowanym modelem, potwierdzono w ten sposób skuteczność proponowanego rozwiązania.

Słowa kluczowe

EN

Dragonfly algorithm; Online Sequential Extreme Learning Machine; clothing image classification; optimised parameter

PL

algorytm Dragonfly; OSELM; maszyna ucząca się; klasyfikacja obrazu odzieży; parametr zoptymalizowany

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2021
• Tom: Vol. 29, no. 3 (147)
• Strony: 91--96
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Li Jianqiang

• Zhejiang Sci-Tech University, Key Laboratory of Modern Textile Machinery & Technology of Zhejiang Province, Hangzhou, Zhejiang 310018, China

autor

Shi Weimin

• Zhejiang Sci-Tech University, Key Laboratory of Modern Textile Machinery & Technology of Zhejiang Province, Hangzhou, Zhejiang 310018, China

autor

Yang Donghe

• Zhejiang Sci-Tech University, School of Information Science and Technology, Hangzhou 310018, China

Bibliografia

• 1. Liu S, Song Z, Liu GC, et al. Street-to-shop: Cross-Scenario Clothing Retrieval Via Parts Alignment and Auxiliary Set. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2012; 3330-3337.
• 2. Bossard L, Dantone M, Leistner C, et al. Apparel Classification with Style. Proceedings of Asian Conference on Computer Vision 2012; 321-335.
• 3. Simo-Serra E, Ishikawa H. Fashion Style in 128 Floats: Joint Ranking and Classification Using Weak Data for Feature Extraction. Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition 2016; 298-307.
• 4. Hidayati SC, You CW, Cheng WH, et al. Learning and Recognition of Clothing Genres from Full-Body Images. IEEE Transactions on Cybernetics 2018; 48(5): 1647-1659.
• 5. Yamazaki K, Inaba M. Clothing Classification Using Image Features Derived from Clothing Fabrics, Wrinkles and Cloth Overlaps. IEEE International Conference on Intelligent Robots and Systems 2013; 2710-2717.
• 6. Ding XJ, Zou CH, Chen JY, et al. Extraction and Classification of the Nationality Clothing via Visual Features. Textile Research Journal 2016; 86(12): 1259-1269.
• 7. Wu MM, Liu L, Fu XD, et al. Fine-Grained Clothing Image Classification by Style Feature Description. Journal of Computer-Aided Design and Computer Graphics 2019; 31(5):780-791.
• 8. Wang SH. COVID-19 Classification By CCSHNet with Deep Fusion using Transfer Learning and Discriminant Correlation Analysis. Information Fusion, 2020, DOI: 10.1016/j.inffus.2020.11.005.
• 9. Zhang YD. A Five-Layer Deep Convolutional Neural Network with Stochastic Pooling for Chest CT-Based COVID-19 Diagnosis. Machine Vision and Applications 2021; 32, Article ID: 14.
• 10. Zhang YD. A Seven-Layer Convolutional Neural Network for Chest CT Based COVID-19 Diagnosis Using Stochastic Pooling. IEEE Sensors Journal 2020; DOI: 10.1109/JSEN.2020.3025855.
• 11. Huang GB, Zhu QY, Siew C. Extreme Learning Machine: A New Learning Scheme of Feedforward Neural Networks. IEEE International Joint Conference on Neural Networks 2004; 2: 985-990.
• 12. Zhang YD, Zhao GH, Sun JD, et al. Smart Pathological Brain Detection by Synthetic Minority Oversampling Technique, Extreme Learning Machine, and Jaya Algorithm. Multimedia Tools and Applications 2018; 77(17): 22629-22648.
• 13. Liang NY, Huang GB, Saratchandran P, et al. A Fast and Accurate Online Sequential Learning Algorithm for Feedforward Networks. IEEE Trans Neural Netw 2006; 17:1411-1423.
• 14. Zhou ZY, Wang C, Zhang JX, et al. Color Difference Classification of Solid Color Printing and Dyeing Products Based on Optimization of the Extreme Learning Machine of the Improved Whale Optimization Algorithm. Textile Research Journal 2020; 90(2): 135-155.
• 15. Zhou ZY, Zhang RX, Zhang JX, et al. Fabric Wrinkle Level Classification via Online Sequential Extreme Learning Machine Based on Improved Sine Cosine Algorithm. Textile Research Journal 2020; 90(17-18): 2007-2021.
• 16. Zhou Z, Wang C, Gao X, Zhu Z, Hu X, Zheng X, Jiang L. Fabric Defect Detection and Classifier via Multi-Scale Dictionary Learning and an Adaptive Differential Evolution Optimized Regularization Extreme Learning Machine. FIBRES & TEXTILES in Eastern Europe 2019; 27, 1(133): 67-77. DOI: 10.5604/01.3001.0012.7510.
• 17. Gan HT, She QS, Ma YL, et al. Generalization Improvement for Regularized Least Squares Classification. Neural Computing & Applications 2019; 31 (s2): 1045-1051.
• 18. Mirjalili S. Dragonfly Algorithm: A New Meta-Heuristic Optimization Technique For Solving Single-Objective, Discrete, and Multi-Objective Problems. Neural Computing & Applications 2016; 27(4):1053-1073.
• 19. Xiao H, Rasul K, Vollgraf R. Fashion-MNIST: A Novel Image Dataset for Benchmarking Machine Learning Algorithms. arXiv:1708.07747.
• 20. Zhu QY, Qin AK, Suganthan PN, et al. Evolutionary Extreme Learning Machine. Pattern Recognition 2005; 38:1759-1763.
• 21. Kasun C, Zhou H, Huang G, et al. Representational Learning with Elms for Big Data. IEEE Intelligent Systems 2013; 28(6):31-34.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).