Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Co-occurrence matrix." wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Robust content-based image retrieval using ICCV, GLCM, and DWT-MSLBP descriptors
    Autorzy:
    Chavda, Sagar
    Goyani, Mahesh
    Powiązania:
    https://bibliotekanauki.pl/articles/27312841.pdf
    Data publikacji:
    2022
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    content-based image retrieval
    improved color coherence vector
    gray-level co-occurrence matrix
    discrete wavelet transform
    multi-scale local binary pattern
    principal component analysis
    linear discriminant analysis
    Opis:
    Content-based image retrieval (CBIR) retrieves visually similar images from a dataset based on a specified query. A CBIR system measures the similarities between a query and the image contents in a dataset and ranks the dataset images. This work presents a novel framework for retrieving similar images based on color and texture features. We have computed color features with an improved color coherence vector (ICCV) and texture features with a gray-level co-occurrence matrix (GLCM) along with DWT-MSLBP (which is derived from applying a modified multi-scale local binary pattern [MS-LBP] over a discrete wavelet transform [DWT], resulting in powerful textural features). The optimal features are computed with the help of principal component analysis (PCA) and linear discriminant analysis (LDA). The proposed work uses a variancebased approach for choosing the number of principal components/eigenvectors in PCA. PCA with a 99.99% variance preserves healthy features, and LDA selects robust ones from the set of features. The proposed method was tested on four benchmark datasets with Euclidean and city-block distances. The proposed method outshines all of the identified state-of-the-art literature methods.
    Źródło:
    Computer Science; 2022, 23 (1); 5--36
    1508-2806
    2300-7036
    Pojawia się w:
    Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The application of volume texture extraction to three-dimensional seismic data – lithofacial structures exploration within the Miocene deposits of the Carpathian Foredeep
    Autorzy:
    Łukaszewski, Mariusz
    Powiązania:
    https://bibliotekanauki.pl/articles/1841768.pdf
    Data publikacji:
    2020
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    Carpathian Foredeep
    channel system
    seismic attributes
    machine learning
    Grey Level Co-occurrence Matrix
    Opis:
    There are numerous conventional fields of natural gas in the Carpathian Foredeep, and there is also evidence to suggest that unconventional gas accumulations may occur in this region. The different seismic signatures of these geological forms, the small scale of amplitude variation, and the large amount of data make the process of geological interpretation extremely time consuming. Moreover, the dispersed nature of information in a large block of seismic data increasingly requires automatic, self-learning cognitive processes. Recent developments with Machine Learning have added new capabilities to seismic interpretation, especially to multi-attribute seismic analysis. Each case requires a proper selection of attributes. In this paper, the Grey Level Co-occurrence Matrix method is presented and its two texture attributes: Energy and Entropy. Haralick’s two texture parameters were applied to an advanced interpretation of the interval of Miocene deposits in order to discover the subtle geological features hidden between the seismic traces. As a result, a submarine-slope channel system was delineated leading to the discovery of unknown earlier relationships between gas boreholes and the geological environment. The Miocene deposits filling the Carpathian Foredeep, due to their lithological and facies diversity, provide excellent conditions for testing and implementing Machine Learning techniques. The presented texture attributes are the desired input components for self-learning systems for seismic facies classification.
    Źródło:
    Geology, Geophysics and Environment; 2020, 46, 4; 301-313
    2299-8004
    2353-0790
    Pojawia się w:
    Geology, Geophysics and Environment
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of Stability of Classical Taxonomy Bagging Metod with Bagging Based on Co-Occurence Data
    Porównanie stabilności klasycznej taksonomicznej metody bagging z metodą bagging opartą na macierzy współwystąpień
    Autorzy:
    Rozmus, Dorota
    Powiązania:
    https://bibliotekanauki.pl/articles/906849.pdf
    Data publikacji:
    2012
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    Cluster analysis
    Cluster ensemble
    Stability
    Bagging in taxonomy
    Co-occurrence matrix.
    Opis:
    Ensemble approach has been successfully applied in the context of supervised learning to increase the accuracy and stability of classification. Recently, analogous techniques for cluster analysis have been suggested in order to increase classification accuracy, robustness and stability of the clustering solutions. Research has proved that, by combining a collection of different clusterings, an improved solution can be obtained. The stability of a clustering algorithm with respect to small perturbations of data (e.g., data subsampling or small variations in the feature values) or the parameters of the algorithm (e.g., random initialization) is a desirable quality of the algorithm. On the other hand, ensembles benefit from diverse clusterers. Although built upon unstable components, the ensemble is expected to be more accurate and robust than the individual clustering method. Here, we look at the stability of the ensemble methods based on bagging idea and co-occurrence matrix. This paper carries out an experimental study to compare stability of bagging method used to the classical data set with bagging based on co-occurrence matrix.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2012, 269
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Identification of macerals of the inertinite group using neural classifiers, based on selected textural features
    Identyfikacja macerałów grupy inertynitu z wykorzystaniem klasyfikatorów neuronowych w oparciu o wybrane cechy tekstury
    Autorzy:
    Skiba, M.
    Młynarczuk, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/219222.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    sieci neuronowe
    analiza składowych głównych
    macerały grupy inertynitu
    właściwości węgla
    parametry Haralicka
    macierz zdarzeń
    macerals of the inertinite group
    neural networks
    coal properties
    Haralick parameters
    co-occurrence matrix
    principal component analysis (PCA)
    Opis:
    The petrographic composition of coal has a significant impact on its technological and sorption properties. That composition is most frequently determined by means of microscope quantitative analyses. Thus, aside from the purely scientific aspect, such measurements have an important practical application in the industrial usage of coal, as well as in issues related to the safety in underground mining facilities. The article discusses research aiming at analyzing the usefulness of selected parameters of a digital image description in the process of automatic identification of macerals of the inertinite group using neural networks. The description of the investigated images was based on statistical parameters determined on the basis of a histogram and co-occurrence matrix (Haralick parameters). Each of the studied macerals was described by means of a 20-element feature vector. An analysis of its principal components (PCA) was conducted, along with establishing the relationship between the number of the applied components and the effectiveness of the MLP network. Based on that, the optimum number of input variables for the investigated classification task was chosen, which resulted in reduction of the size of the network’s hidden layer. As part of the discussed research, the authors also analyzed the process of classification of macerals of the inertinite group using an algorithm based on a group of MLP networks, where each network possessed one output. As a result, average recognition effectiveness of 80.9% was obtained for a single MLP network, and of 93.6% for a group of neural networks. The obtained results indicate that it is possible to use the proposed methodology as a tool supporting microscopic analyses of coal.
    Skład petrograficzny węgla w istotnym stopniu wpływa na jego właściwości technologiczne oraz sorpcyjne. Jest on najczęściej wyznaczany za pomocą mikroskopowych analiz ilościowych. Obok aspektu czysto naukowego, tego typu pomiary odgrywają więc znaczącą rolę praktyczną w przemysłowym wykorzystaniu surowca oraz zagadnieniach związanych z bezpieczeństwem w kopalniach podziemnych. W artykule przedstawiono badania mające na celu analizę przydatności wybranych parametrów opisu obrazu cyfrowego do prac dotyczących automatycznej identyfikacji macerałów grupy inertynitu z wykorzystaniem sieci neuronowych. Opis badanych obrazów oparto o parametry statystyczne wyznaczone na podstawie histogramu oraz macierzy zdarzeń (parametry Haralicka). Każdy z badanych maceratów opisano za pomocą 20-elementowego wektora cech. Przeprowadzono analizę jego składowych głównych (PCA) oraz określono wpływ liczby zastosowanych składowych na skuteczność działania sieci MLP. Na tej podstawie dobrano optymalną liczbę zmiennych wejściowych dla rozpatrywanego zagadnienia klasyfikacji, co skutkowało redukcją wymiaru warstwy ukrytej sieci. W ramach opisanych prac przeprowadzono także analizy dotyczące klasyfikacji macerałów grupy inertynitu z wykorzystaniem algorytmu bazującego na grupie sieci MLP, z których każda posiadała jedno wyjście. W wyniku badań uzyskano średnią skuteczność rozpoznań na poziomie 80,9% dla pojedynczej sieci MLP oraz 93,6% w przypadku grupy sieci neuronowych. Otrzymane rezultaty wskazują na możliwość zastosowania proponowanej metodyki jako narzędzia wspierającego mikroskopowe analizy węgla.
    Źródło:
    Archives of Mining Sciences; 2018, 63, 4; 827-837
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies