Wyniki wyszukiwania - BazTech

1

Classifiers ensemble of transfer learning for improved drill wear classification using convolutional neural network

Kurek Jarosław, Antoniuk Izabella, Górski Jarosław, Jegorowa Albina, Świderski Bartosz, Kruk Michał, Wieczorek Grzegorz, Pach Jakub, Orłowski Arkadiusz, Aleksiejuk-Gawron Joanna

Machine Graphics and Vision

|

2019

|

Vol. 28, No. 1/4

13--23

EN

In this paper we introduce the enhanced drill wear recognition method, based on classifiers ensemble, obtained using transfer learning and data augmentation methods. Red, green and yellow classes are used to describe the current drill state. The first one corresponds to the case when drill should be immediately replaced. The second one denotes a tool that is still in a good condition. The final class refers to the case when a drill is suspected of being worn out, and a human expert evaluation would be required. The proposed algorithm uses three different, pretrained network models and adjusts them to the drill wear classification problem. To ensure satisfactory results, each of the methods used was required to achieve accuracy above 90% for the given classification task. Final evaluation is achieved by voting of all three classifiers. Since the initial data set was small (242 instances), the data augmentation method was used to artificially increase the total number of drill hole images. The experiments performed confirmed that the presented approach can achieve high accuracy, even with such a limited set of training data.

2

Modelling labour productivity rates for reinforcement works

Krawczyńska-Piechna A.

Archives of Civil Engineering

|

2019

|

Vol. 65, nr 3

87--99

EN

Construction planning always requires labour productivity estimation. Often, in the case of monolithic construction works, the available catalogues of productivity rates do not provide a reliable assessment. The paper deals with the problem of labour estimation for reinforcement works. An appropriate model of labour prediction problem is being introduced. It includes, between others, staff experience and reinforcement buildability. In the paper it is proposed, that labour requirements can be estimated with aggregated classifiers. The work is a continuation of earlier studies, in which the possibility of using classifier ensembles to predict productivity in monolithic works was investigated.

PL

Planowanie rzeczowe i kosztowe każdego przedsięwzięcia budowlanego wymaga analizy nakładów pracy. Od pewnego czasu obserwuje się w polskim budownictwie stopniowy spadek dostępności wysoko kwalifikowanej kadry pracowniczej. Z drugiej strony projekty konstrukcyjne obiektów żelbetowych są coraz bardziej złożone i jednocześnie „odchudzane”. Sprawia to, że prawidłowa ocena pracochłonności robót staje się coraz bardziej istotna. Problemy zaobserwowane na różnych krajowych budowach w przeciągu ostatniego roku stały się inspiracją do przeprowadzenia wstępnych badań w temacie pracochłonności prac zbrojarskich. Praca stanowi kontynuację wcześniejszych badań nad modelowaniem pracochłonności robót wykonywanych w technologii MBB i zaprezentowano w niej możliwość modelowania norm wykonania zbrojenia przy użyciu drzew decyzyjnych (pojedynczych i agregowanych).

3

Rank thresholds in classifier ensembles in medical diagnosis

Antczak K.

Computer Science and Mathematical Modelling

|

2016

|

No. 3

5--11

EN

Classification methods have multiple applications, with medical diagnosis being one of the most common. A powerful way to improve classification quality is to combine single classifiers into an ensemble. One of the approaches for creating such ensembles is to combine class rankings from base classifiers. In this paper, two rank-based ensemble methods are studied: Highest Rank and Borda Count. Furthermore, the effect of applying class rank threshold to these methods is analyzed. We performed tests using real-life medical data. It turns out that specificity of data domain can affect classification quality depending on classifier type.

XX

Metody klasyfikacji mają wiele zastosowań, z których jednym z częściej spotykanych jest diagnostyka medyczna. Jakość klasyfikacji można w znaczący sposób podnieść, tworząc zespoły klasyfikatorów. Jedną z metod tworzenia takich zespołów jest łączenie rankingów generowanych przez klasyfikatory bazowe. W niniejszej pracy przeanalizowano dwie metody łączenia klasyfikatorów bazujące na rankingach: Najwyższej Rangi oraz Głosowanie Bordy. Dodatkowo zbadano wpływ progowania rankingu na jakość klasyfikacji. Testy przeprowadzono z użyciem rzeczywistych danych medycznych. Wykazano przy tym, że specyfika danych medycznych może wpłynąć na jakość klasyfikacji w zależności od typu klasyfikatora.

4

Zespoły klasyfikatorów - aktualne kierunki badań

Woźniak M.

Mechanik

|

2015

|

R. 88, nr 10CD

44--48

PL

Jednym z ciekawych i dynamicznie rozwijających się nurtów uczenia maszynowego jest klasyfikacja kombinowana. Opracowywane, w jej ramach, algorytmy starają się w zbudować model systemu klasyfikacyjnego bazującego na klasyfikatorach składowych, tak aby wykorzystać ich najlepsze cechy i kompetencje potrzebne do rozwiązania danego problemu decyzyjnego W takcie konstrukcji tego typu systemów stykamy się z dwoma typami problemów: jak wybrać wartościowy zespół klasyfikatorów oraz w jaki sposób uzyskać decyzje końcową na bazie odpowiedzi członków wspomnianego zespołu klasyfikatorów. W pracy przedstawiono główne przesłanki świadczące o przydatności projektowania tego typu systemów oraz dokonano ich krótkiej charakterystyki problemów projektowych.

EN

Classifier ensemble is the focus of the intense research, because it is recognized as the one of them most efficient classification approach. It is used in the several practical domains as fraud detection, client behavior recognition, medical decision support systems, or technical diagnostic to enumerate only a few. In this conceptual approach, the main effort is focusing on the two main problems. First, how to choose or train valuable and mutually complimentary set of individual classifiers and how to combine their outputs to exploit the strength of each individuals. The work presents a brief survey of the main issues related with the classifier ensemble domain.