Kondensacja zbioru odniesienia jako metoda sterowania pomiędzy jakością i szybkością klasyfikacji

Sierszeń, A.; Sturgulewski, Ł.; Jóźwik, A.

Artykuł - szczegóły

Tytuł artykułu

Kondensacja zbioru odniesienia jako metoda sterowania pomiędzy jakością i szybkością klasyfikacji

Autorzy

Sierszeń A. , Sturgulewski Ł. , Jóźwik A.

Wybrane pełne teksty z tego czasopisma

http://journals.bg.agh.edu.pl/AUTOMATYKA/index.php

Identyfikatory

Warianty tytułu

Compression of reference set as a method of steering between the quality of a classification and its speed

Języki publikacji

Abstrakty

Są zastosowania, gdzie na klasyfikację mamy określony limit czasu. Dobrze jest także móc sterować pomiędzy szybkością klasyfikacji a jej jakością. Jednym z prostszych podejść jest podział zbioru odniesienia (uczącego) na podzbiory i dokonanie ich kondensacji. Autorzy proponują dekompozycję uczenia na kilka cyklicznie powtarzających się podzadań, które można przerwać w dowolnym momencie, uzyskując najlepszą w danej chwili klasyfikację. Przeprowadzone eksperymenty dowodzą, że wskutek zaproponowanej dekompozycji zyskujemy możliwość prostego sterowania czasem i jakością dokonywanych klasyfikacji.

There are applications in which one has limited for a classification. It is good to have a possibility of steering between the quality of a classification and its speed. One of easier ways is to divide the reference set into subsets and condensate them. Authors propose a decomposition of tuition to several serially repeating subtask, which one can interrupt in every moment getting the best classification for that while. Performer experiments prove that using the proposed decomposition one has a possibility of steering time and quality of classifications easily.

Słowa kluczowe

informacja wizyjna rozpoznawanie informacji wizyjnej klasyfikacja

image analysis classification

Wydawca

Wydawnictwa AGH

Czasopismo

Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

Rocznik

2004

Tom

T. 8, z. 3

Strony

325--329

Opis fizyczny

Bibliogr. 6 poz., tab.

Twórcy

autor

Sierszeń A.

Katedra Informatyki Stosowanej, Politechnika Łódzka

autor

Sturgulewski Ł.

Katedra Informatyki Stosowanej, Politechnika Łódzka

autor

Jóźwik A.

Instytut Biocybernetyki i Inżynierii Biomedycznej PAN, Warszawa

Bibliografia

[1] Fix E., Hodges J.L.: Discriminatory Analysis: Nonparametric Discrimination: Small Sample Performance z projektu 21-49-004, Report Number 11, USAF School of Aviation Medicine, Randolph Field, Texas, 280-322, 1952, przedrukowane w: Dasarathy B.V. NNPattern Classification Techniques, 40-56, IEEE Computer Society Press, 1991
[2] Jóźwik A., Chmielewski L., Skłodowski M., Cudny W.: A proposition of the new feature space and its use to construction of a fast minimum distance classifier. Komputerowe Systemy Rozpoznawania - KOSYR2001, Wrocław, 2001, 381-386
[3] Hart P.E.: The condensed nearest neighbor rule. IEEE Trans. Information Theory, vol. 14, No. 3, 1968,515-516
[4] Gowda K.C., Krishna G.: 77ie condensed nearest neighbor rule using the concept of mutual nearest neighborhood. IEEE Trans. Information Theory, vol. 25, No. 4, 1979, 488-190
[5] Tomek I.: A Generalization of the k-NN Rule. IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-6, No. 2, 1976, 121-126
[6] Merz Ch., Murphy P.M.: UCI repository of machine learning databases, 1996 [http://www. ics.uci.edu/~mlearn/MLRepository.html]

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-AGH1-0004-0030