Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: unsupervised feature selection

Sortuj według:

Ogranicz wyniki do:

Clustering Stability-Based Feature Selection for Unsupervised Texture Classification

Klepaczko A., Materka A.

Machine Graphics and Vision

2009

Vol. 18, No. 2

125-141

This paper addresses the issue of unsupervised texture image classification. This kind of analysis can augment automatic image interpretation and recognition whenever visualized objects surfaces reveal some regular shapes or patterns. The variety of texture models and parameters calculated therein implies the need to select the relevant attributes which allow the best possible texture discrimination. However, it has been observed that the discriminative power of the texture parameters deteriorates if the image dimensions are small relative to the size of a single texture element. In that case, feature vectors corresponding to different textures become less distinguishable. Although this does not constitute a significant impediment to supervised feature selection, the methods which operate in an unsupervised manner and are analyzed in this study perform well only if the images being classified contain a large portion of texture. We illustrate this phenomenon through a series of experiments with natural, Brodatz-album texture images. We also show how to overcome the outlined problem by assessing features saliency using a measure based on the notion of clustering stability.

Nowe metody selekcji cech i redukcji zbiorów odniesienia dla klasyfikatora typu 1-NN

Kośla P., Raniszewski M.

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

2008

T. 12, z. 3

805-820

W artykule zostały przedstawione nowe metody minimalizacji zbioru odniesienia dla klasyfikatora 1-NN, czyli selekcja cech i redukcja zbioru odniesienia. Do selekcji cech zaproponowano metodę wykorzystującą badanie zależności miedzy cechami, a do redukcji zbioru odniesienia użyto sekwencyjnego algorytmu wykorzystującego podwójne sortowanie punktów. Rozstrzygnięto również, w jakiej kolejności procedury te powinny zostać zastosowane, analizując ich wpływ na jakość klasyfikacji i stopień redukcji danych. Zarówno nowe metody, jak i dobrze znane, takie jak procedura kolejnego dołączania cech, algorytm Gowdy-Krishny i algorytm RMHC zaproponowany przez Skalaka, zostały przetestowane na siedmiu zbiorach danych rzeczywistych i sztucznych.

The reference set minimization methods for 1-NN classifier were proposed. The combine of a feature selection procedure, based on analysis of dependences between features, and reference set reduction algorithm that uses double point sorting was introduced. The proposed approach to the reference set size reduction was compared with the wellknown forward feature selection, the Gowda and Krishna algorithm and the RMHC algorithm introduced by Skalak. The computational experiments were performed with use of seven real and artificial datasets.