Sep, 2023

基于灰度共生矩阵和直方图提取的集成学习目标分类模型

PDF
TL;DR基于物体分类的识别方法研究中，对象的变化是一个挑战。本研究提出了一种分类方法，使用投票和组合分类器，结合随机森林、K-NN、决策树、SVM 和朴素贝叶斯分类方法。测试结果表明，投票方法和组合分类器的准确率分别为 92.4% 和 99.3%。研究结果显示，使用组合分类器和投票方法可以提高对象分类准确性，增加了集成学习方法的有效性。
object classificationidentificationobject variationsclassification modelensemble learning
发现论文，激发创造
  • 对象检测模型使用 KNN 和 RF 分类的组合特征提取

    该研究采用灰度共生矩阵（GLCM）和局部二值模式（LBP）纹理特征提取进行 2D 对象旋转和纹理变化下的目标检测。使用 k 最近邻（KNN）、随机森林（RF）和投票集成（VE）对特征进行分类，其中 VE 方法表现最佳，准确率为 93.9%，F1 得分为 93.8%。该研究探讨了 GLCM 和 LBP 特征向量以及 VE 方法在目标检测中的应用，提高了检测准确性。

    May, 2024

  • 基于 GLCM 特征组合的机器学习目标检测模型优化

    在现代技术时代，利用灰度共生矩阵（GLCM）提取方法的物体检测在物体识别过程中起着至关重要的作用，该研究通过选择 GLCM 框架内适当的特征来提高计算效率，发现 K-NN 模型使用相关性、能量和均匀性特征组合可以达到 100% 的准确率和低复杂度，因此在需要高准确率和低复杂度的实时应用中，K-NN 模型是更合适的选择。

    Apr, 2024

  • 针对网络入侵检测数据集特征调整的集成分类器设计

    本文针对 UNSW-NB15 数据集的类不平衡和特征空间中的类重叠问题，提出了一种机器学习分类器的数据驱动设计和性能评估方法，其中使用 Balanced Bagging、eXtreme Gradient Boosting、Hellinger Distance Decision Tree 等集成方法来解决不平衡数据问题，提出了两种新的算法来解决类重叠问题，并提高了测试数据的分类性能。实验证明，相比已有技术，该方法在二元和多种情况下均有显著优势。

    May, 2022

  • EC3：集成学习中聚类和分类的结合

    本文提出了一种新的算法 EC3，将分类和聚类算法结合在一起，支持二元和多类分类，通过在优化函数上的多个分类和多个聚类方法的基础上进行理性组合，证明了问题的凸性和最优性，并采用块坐标下降法求解，实验结果表明该方法在 13 个标准基准数据集上的表现超过其他基准方法，且比最佳基准方法更快、更鲁棒。

    Aug, 2017

  • 深度表征的水平和竖直集成用于分类

    本文介绍了使用横向投票、纵向投票和横向堆叠集成方法来提高深度神经网络的分类性能，并在 ICML 2013 黑盒挑战中取得了不错的成绩。

    Jun, 2013

  • 面向产品项目分类的多输出头集成

    本研究回顾了针对大规模电子商务目录的产品项分类问题。我们提出了一种基于深度学习的分类模型框架，利用多个分类器的组合和融合来改善分类性能，并使用元数据特征和低级特征工程来提升模型质量。此外，我们还提出了一种使用用户会话评估模型性能的新方法，相较于传统的精确度和召回率等评估指标，提供更详尽的洞察力。

    Jul, 2023

  • 在线市场产品分类：一种集成方法

    本研究提出了一种集成方法，通过使用不同的模型分别预测产品的类别、子类别和颜色并将结果结合，从而在预测这些特征时可以实现平均 F1 - 得分为 0.82，适用于电商公司的产品分类问题。

    Apr, 2023

  • 高分辨率卫星影像目标检测的集成学习技术

    本研究从回顾相关整合技术出发，探讨如何利用 ensembling 技术在沙漠等复杂情况下，对高清晰度图像实现目标检测。

    Feb, 2022

  • 異構集成方法對重新識別的有效性研究

    本文介绍了一种新的集成方法，用于工业实体的重新识别，使用了芯板托盘和镀锌金属板的图像作为数据集示例，并使用简化的、基本的模型代替常用的复杂孪生神经网络，提供更广泛的适用性，尤其适用于硬件限制的场景。我们的算法在训练时间的一小部分内使用了不同类型的数据特征作为输入，实现了创建有效集成模型的目标，并且在任务中达到了最先进的性能，排名 1 准确率超过 77%，排名 10 准确率超过 99%，并且介绍了五种不同的特征提取方法，并通过不同的集成方法对其组合进行了研究。

    Mar, 2024

  • 利用类别共现概率提升多标签识别

    通过整合多标签识别、视觉语言模型、条件概率和图卷积网络，我们提出了一种方法来改进独立分类器的性能，并在多个多标签识别数据集上取得胜于现有方法的结果。

    Apr, 2024