Informacja

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

Wyszukujesz frazę "image classification" wg kryterium: Temat


Tytuł:
Porównanie wyników klasyfikacji obrazów satelitarnych HYPERION i ALI
Comparison of HYPERION and ALI satellite imagery classification
Autorzy:
Hejmanowska, B.
Powiązania:
https://bibliotekanauki.pl/articles/130788.pdf
Data publikacji:
2007
Wydawca:
Stowarzyszenie Geodetów Polskich
Tematy:
klasyfikacja obrazu
HYPERION
ALI
image classification
Opis:
Celem przeprowadzonych badan było porównanie wyników klasyfikacji obrazów satelitarnych - hiperspektralnych: HYPERION i wielospektralnych: ALI, zarejestrowanych w zakresach spektralnych podobnych do obrazu: LANDSAT. Testy prowadzono na obszarze leżącym na wschód od aglomeracji krakowskiej, dla którego dysponowano obrazami z platformy EO – 1 zarejestrowanymi w 2006 roku, dzięki projektowi KBN (nr 3T 09D 09429). W badaniach wykorzystano oprogramowanie specjalistyczne (ENVI 4.1) dedykowane opracowaniom danych teletedetekcyjnych. Obrazy HYPERION zostały wstępnie przetworzone w celu usunięcia zakłóceń spowodowanych wpływem atmosfery i tzw. efektem „smiling”. Klasyfikacje przeprowadzono tylko metodami tradycyjnie wykorzystywanymi w przetwarzaniu obrazów wielospektralnych, czyli za pomocą klasyfikacji nienadzorowanej i nadzorowanej. Założenie metodyczne porównania wyników klasyfikacji polegało na wykorzystaniu dla obu obrazów tych samych uczących pól treningowych i podobnych pól kontrolnych wykorzystywanych do oceny dokładności. Ponadto wszystkie parametry zastosowanych algorytmów były równie_ identyczne dla obu obrazów. Pola treningowe i testowe wybierano manualnie z wykorzystaniem kompozycji barwnych. W trakcie prowadzenia testów zaistniała konieczność zredukowania liczby analizowanych kanałów obrazu HYPERION, ponieważ w przeciwnym razie nie uzyskiwano zadawalających wyników klasyfikacji. W takim przypadku dokładność klasyfikacji obrazu HYPERION była wyższa ni_ dokładność klasyfikacji obrazu ALI. Natomiast wynik klasyfikacji wszystkich kanałów obrazu HYPERION albo w ogóle był nie do zaakceptowania, albo wynik klasyfikacji był znacznie gorszy ni_ w przypadku ALI i ograniczonej liczby kanałów HYPERION.
The main aim of the research was to compare the results of satellite image classification: HYPERION and ALI, recorded in a spectral range similar to LANDSAT. Analyses were performed using the test area to the east of Krakow. Satellite iamges were obtained in 2006 thanks to scientific project KBN (no. 3T 09D 09429). The image processed with ENVI. HYPERION was initially preprocessed to remove so-called atmospheric effects, and so-called “similing” effect. The classification was performed using conventional spectral methods: unsupervised and supervised classification. The background of the comparison was applied in the same training and control area, and the same parameters of classification. Training and control areas ware selected using colour compositions. In the research, a need to reduce the amount of HYPERION channels emerged, otherwise the classification results would not be possible to interpret. In such case, the accuracy of HYPERION channel reduction classification was higher than that of ALI. The result of classification of all HYPERION image channels, however, was either completely unacceptable, or the classification result was much worse than in the case of ALI and limited number of HYPERION channels.
Źródło:
Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2007, 17a; 291-300
2083-2214
2391-9477
Pojawia się w:
Archiwum Fotogrametrii, Kartografii i Teledetekcji
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Klasyfikacja stanu procesu spalania na podstawie analizy obrazu płomienia
Combustion process state classification based on flame image analysis
Autorzy:
Sawicki, D.
Powiązania:
https://bibliotekanauki.pl/articles/407700.pdf
Data publikacji:
2016
Wydawca:
Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Tematy:
płomień
spalanie
klasyfikacja obrazów
flame
combustion
image classification
Opis:
W pracy przedstawiono porównanie wybranych metod klasyfikacji obrazów dla współspalania pyłu węglowego i biomasy. Zdefiniowano dwie klasy spalania: stabilne i niestabilne dla dziewięciu wariantów z różnymi parametrami mocy oraz stałą ilością biomasy. Wyniki badań pokazują, poprawną klasyfikację obrazów dla założonych wariantów. Najlepsze wyniki uzyskano dla klasyfikatora K-NN z parametrem K = 7.
This paper presents comparison image classification method of cofiring biomass and pulverized coal. Defined two class of combustion: stable and unstable for nine variants with different power value parameters and fixed amount biomass. Experimental results show that achieved correct classification of images for the assumed variants. The best results were obtained with K-NN classifier (parameter K = 7).
Źródło:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2016, 4; 77-80
2083-0157
2391-6761
Pojawia się w:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Flame monitoring using image classification
Monitorowanie płomienia z wykorzystaniem klasyfikacji obrazów
Autorzy:
Sawicki, D.
Powiązania:
https://bibliotekanauki.pl/articles/407727.pdf
Data publikacji:
2016
Wydawca:
Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Tematy:
flame
combustion
image classification
płomień
spalanie
klasyfikacja obrazów
Opis:
This paper presents comparison of image classification methods for co-firing biomass and pulverized coal. Two classes of combustion – stable and unstable were defined for nine variants with different power value parameters and fixed amount biomass. Experimental results show that correct classification of images was achieved for the assumed variants.
W pracy przedstawiono porównanie wybranych metod klasyfikacji obrazów dla współspalania pyłu węglowego i biomasy. Zdefiniowano dwie klasy spalania: stabilne i niestabilne dla dziewięciu wariantów z różnymi parametrami mocy oraz stałą ilością biomasy. Wyniki badań pokazują, poprawną klasyfikację obrazów dla założonych wariantów.
Źródło:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2016, 1; 37-40
2083-0157
2391-6761
Pojawia się w:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Potential and use of the googlenet ann for the purposes of inland water ships classification
Autorzy:
Bobkowska, Katarzyna
Bodus-Olkowska, Izabela
Powiązania:
https://bibliotekanauki.pl/articles/1573774.pdf
Data publikacji:
2020
Wydawca:
Politechnika Gdańska. Wydział Inżynierii Mechanicznej i Okrętownictwa
Tematy:
ship classification
image classification
geoinformatics
artificial intelligence
artificial neural network
Opis:
This article presents an analysis of the possibilities of using the pre-degraded GoogLeNet artificial neural network to classify inland vessels. Inland water authorities monitor the intensity of the vessels via CCTV. Such classification seems to be an improvement in their statutory tasks. The automatic classification of the inland vessels from video recording is a one of the main objectives of the Automatic Ship Recognition and Identification (SHREC) project. The image repository for the training purposes consists about 6,000 images of different categories of the vessels. Some images were gathered from internet websites, and some were collected by the project’s video cameras. The GoogLeNet network was trained and tested using 11 variants. These variants assumed modifications of image sets representing (e.g., change in the number of classes, change of class types, initial reconstruction of images, removal of images of insufficient quality). The final result of the classification quality was 83.6%. The newly obtained neural network can be an extension and a component of a comprehensive geoinformatics system for vessel recognition.
Źródło:
Polish Maritime Research; 2020, 4; 170-178
1233-2585
Pojawia się w:
Polish Maritime Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Non-Destructive Quantitative Analysis of Azodicarbonamide Additives in Wheat Flour by High-Throughput Raman Imaging
Autorzy:
Wang, Xiaobin
Zhao, Chunjiang
Powiązania:
https://bibliotekanauki.pl/articles/2019170.pdf
Data publikacji:
2021-12-01
Wydawca:
Instytut Rozrodu Zwierząt i Badań Żywności Polskiej Akademii Nauk w Olsztynie
Tematy:
azodicarbonamide
wheat flour
Raman imaging
image classification
quantitative model
Opis:
Azodicarbonamide (ADA) additives are limited or prohibited from being added to wheat flour by various countries because they may produce carcinogenic semicarbazide in humid and hot conditions. This study aimed to realize the non-destructive detection of ADA additives in wheat flour using high-throughput Raman imaging and establish a quantitative analysis model. Raman images of pure wheat flour, pure ADA, and wheat flour-ADA mixed samples were collected respectively, and the average Raman spectra of each sample were calculated. A partial least squares (PLS) model was established by using the linear combination spectra of pure wheat flour and pure ADA and the average Raman spectra of mixed samples. The regression coefficients of the PLS model were used to reconstruct the 3D Raman images of mixed samples into 2D grayscale images. Threshold segmentation was used to classify wheat flour pixels and ADA pixels in grayscale images, and a quantitative analysis model was established based on the number of ADA pixels. The results showed that the minimum detectable content of ADA in wheat flour was 100 mg/kg. There was a good linear relationship between the ADA content in the mixed sample and the number of pixels classified as ADA in the grayscale image in the range of 100 – 10,000 mg/kg, and the correlation coefficient was 0.9858. This study indicated that the combination of PLS regression coefficients with threshold segmentation had provided a non-destructive method for quantitative detection of ADA in Raman images of wheat flour-ADA mixed samples.
Źródło:
Polish Journal of Food and Nutrition Sciences; 2021, 71, 4; 403-410
1230-0322
2083-6007
Pojawia się w:
Polish Journal of Food and Nutrition Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Identifying selected diseases of leaves using deep learning and transfer learning models
Autorzy:
Mimi, Afsana
Zohura, Sayeda Fatema Tuj
Ibrahim, Muhammad
Haque, Riddho Ridwanul
Farrok, Omar
Jabid, Taskeed
Ali, Md Sawkat
Powiązania:
https://bibliotekanauki.pl/articles/2204260.pdf
Data publikacji:
2023
Wydawca:
Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Instytut Informatyki Technicznej
Tematy:
convolutional neural network
transfer learning
leaf disease detection
image classification
Opis:
Leaf diseases may harm plants in different ways, often causing reduced productivity and, at times, lethal consequences. Detecting such diseases in a timely manner can help plant owners take effective remedial measures. Deficiencies of vital elements such as nitrogen, microbial infections and other similar disorders can often have visible effects, such as the yellowing of leaves in Catharanthus roseus (bright eyes) and scorched leaves in Fragaria ×ananassa (strawberry) plants. In this work, we explore approaches to use computer vision techniques to help plant owners identify such leaf disorders in their plants automatically and conveniently. This research designs three machine learning systems, namely a vanilla CNN model, a CNN-SVM hybrid model, and a MobileNetV2-based transfer learning model that detect yellowed and scorched leaves in Catharanthus roseus and strawberry plants, respectively, using images captured by mobile phones. In our experiments, the models yield a very promising accuracy on a dataset having around 4000 images. Of the three models, the transfer learning-based one demonstrates the highest accuracy (97.35% on test set) in our experiments. Furthermore, an Android application is developed that uses this model to allow end-users to conveniently monitor the condition of their plants in real time.
Źródło:
Machine Graphics & Vision; 2023, 32, 1; 55--71
1230-0535
2720-250X
Pojawia się w:
Machine Graphics & Vision
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Electronic Toll Collector Framework
Autorzy:
Mujeeb, Abdul
Ahmed, Nisar
Arshed, Husnain
Khan, Farhan Ajmal
Powiązania:
https://bibliotekanauki.pl/articles/2022366.pdf
Data publikacji:
2022
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
electronic toll collector
TensorFlow
Yolov2
image classification
analytics
centralized system
Opis:
Manual toll collection systems are obsolete due to time, fuel, and pollution issues and need to be replaced by new and better alternatives. Traditionally, governments have always employed people to collect toll, but the manual labor isn’t much effective when it comes to monitoring and efficiency. We took this problem and researched out an effective solution i.e., “Electronic Toll Collector Framework” which is a framework mainly for collection and monitoring of the toll fees collected by the toll plazas in the vicinity of metropolitan cities like Lahore or Karachi. The software can generate toll tax based on vehicle type. Additionally, it can also generate daily/monthly/yearly revenue reports. The framework can serve other purposes like monitoring of vehicles (by the law enforcement agencies) and generation of analytics. It can also serve as a backbone for the government departments who are having a hard time monitoring the revenue generated by the employers. There are two operational modes of the framework (partly manual and automatic). The partly manual approach uses TensorFlow backend, and the automatic approach uses Yolov2 backend. This work will be helpful in guiding future research and practical work in this domain.
Źródło:
Advances in Science and Technology. Research Journal; 2022, 16, 1; 294-302
2299-8624
Pojawia się w:
Advances in Science and Technology. Research Journal
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Selection of an artificial pre-training neural network for the classification of inland vessels based on their images
Autorzy:
Bobkowska, Katarzyna
Bodus-Olkowska, Izabela
Powiązania:
https://bibliotekanauki.pl/articles/2033603.pdf
Data publikacji:
2021
Wydawca:
Akademia Morska w Szczecinie. Wydawnictwo AMSz
Tematy:
image classification
inland vessels
ANN
pre-trained neural network
GoogLeNet
AlexNet
SqeeezeNet
Opis:
Artificial neural networks (ANN) are the most commonly used algorithms for image classification problems. An image classifier takes an image or video as input and classifies it into one of the possible categories that it was trained to identify. They are applied in various areas such as security, defense, healthcare, biology, forensics, communication, etc. There is no need to create one’s own ANN because there are several pre-trained networks already available. The aim of the SHREC projects (automatic ship recognition and identification) is to classify and identify the vessels based on images obtained from closed-circuit television (CCTV) cameras. For this purpose, a dataset of vessel images was collected during 2018, 2019, and 2020 video measurement campaigns. The authors of this article used three pre-trained neural networks, GoogLeNet, AlexNet, and SqeezeNet, to examine the classification possibility and assess its quality. About 8000 vessel images were used, which were categorized into seven categories: barge, special-purpose service ships, motor yachts with a motorboat, passenger ships, sailing yachts, kayaks, and others. A comparison of the results using neural networks to classify floating inland units is presented.
Źródło:
Zeszyty Naukowe Akademii Morskiej w Szczecinie; 2021, 67 (139); 91--97
1733-8670
2392-0378
Pojawia się w:
Zeszyty Naukowe Akademii Morskiej w Szczecinie
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Użycie sieci neuronowych do klasyfikacji obdszarów miejskich na zdjęciach satelitarnych
Applying neural networks to urban area classification in satellite images
Autorzy:
Iwaniak, A.
Krówczyńska, M.
Paluszyński, W.
Powiązania:
https://bibliotekanauki.pl/articles/341474.pdf
Data publikacji:
2002
Wydawca:
Uniwersytet Przyrodniczy we Wrocławiu
Tematy:
klasyfikacja zdjęć satelitarnych
sztuczne sieci neuronowe
satellite image classification
artificial neural networks
Opis:
Niniejsza praca przedstawia podejście do procesu klasyfikacji obrazów satelitarnych alternatywne wobec istniejących metod. Do identyfikacji terenów miejskich zobrazowanych na zdjęciach satelitarnych zastosowana została sztuczna sieć neuronowa. W pracy wykorzystano zobrazowania wykonane przez satelitę Landsat skanerem Thematic Mapper oraz mapę pokrycia terenu opracowaną w programie CORINE Land Cover. Oceny wyników dokonano metodą porównania punktowego z mapą topograficzną. Badania zostały przeprowadzone na terenach testowych: Aglomeracja Warszawska oraz Krakowska.
This work presents a new approach to satellite image classification process. An artificial neural network has been applied to identification of urban areas mapped in satellite images. The results presented here are based on images obtained from the Landsat satellite using the Thematic Mapper scanner and a land cover map produced under the CORINE Program. The evaluation of the results has been conducted using a point-topoint comparison with a topographic map. The test areas include the metropolitan areas of Warsaw and Cracow.
Źródło:
Acta Scientiarum Polonorum. Geodesia et Descriptio Terrarum; 2002, 1, 1-2; 5-13
1644-0668
Pojawia się w:
Acta Scientiarum Polonorum. Geodesia et Descriptio Terrarum
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Analiza możliwości automatycznej detekcji obiektów topograficznych na zdjęciach lotniczych i satelitarnych VHR
Analysis of the possibility of automatic detection of topographic objects in aerial and satellite images of the VHR
Autorzy:
Pluto-Kossakowska, Joanna
Kamiński, Michał
Powiązania:
https://bibliotekanauki.pl/articles/2058369.pdf
Data publikacji:
2022
Wydawca:
Polskie Towarzystwo Geograficzne
Tematy:
uczenie maszynowe
klasyfikacja obrazów
obiekty topograficzne
machine learning
image classification
topographical objects
Opis:
W artykule podjęto temat uczenia maszynowego w rozpoznawaniu obiektów topograficznych na zdjęciach lotniczych i satelitarnych VHR ze szczególnym uwzględnieniem Bazy Danych Obiektów Topograficznych BDOT10k. Celem prac badawczych było przetestowanie trzech algorytmów klasyfikacji nadzorowanej do automatycznej detekcji wybranych klas obiektów topograficznych, m.in.: budynków, betonowych oraz asfaltowych elementów szarej infrastruktury (drogi, chodniki, place), wód powierzchniowych, lasów, terenów zadrzewionych i zakrzewionych, terenów o niskiej roślinności oraz gleby odkrytej (grunty nieużytkowane, wyrobiska). Przeanalizowano trzy powszechnie stosowane klasyfikatory: Maximum Likelihood, Support Vector Machine oraz Random Trees pod kątem różnych parametrów wejściowych. Wynikiem przeprowadzonych badań jest ocena ich skuteczności w detekcji poszczególnych klas oraz ocena przydatności wyników klasyfikacji do aktualizacji bazy danych BDOT10k. Badania zostały przeprowadzone dla zdjęcia satelitarnego WorldView-2 o rozdzielczości przestrzennej 0,46 m oraz ortofotomapy ze zdjęć lotniczych o dokładności przestrzennej 0,08 m. Wyniki badań wskazują na to, że wykorzystanie różnych klasyfikatorów uczenia maszynowego oraz danych źródłowych wpływa nieznacznie na wynik klasyfikacji. Ogólne statystyki dokładności wskazują, że całościowo klasyfikacja z wykorzystaniem zdjęć satelitarnych dała nieco lepsze rezultaty o kilka punktów procentowych w granicach 76-81%, a dla zdjęć lotniczych 75-78%. Natomiast dla niektórych klas miara statystyczna F1 przekracza wartość 0,9. Testowane algorytmy uczenia maszynowego dają bardzo dobre rezultaty w identyfikacji wybranych obiektów topograficznych, ale nie można jeszcze mówić o bezpośredniej aktualizacji BDOT10k.
The article deals with the topic of machine learning (ML) in the recognition of topographic objects in aerial and satellite VHR image, with particular emphasis on the Topographic Objects Database (BDOT10k). The aim of the research work was to test three supervised classification algorithms for automatic detection of selected classes of topographic objects, including: buildings, concrete and asphalt elements of grey infrastructure (roads, pavements, squares), surface waters, forests, wooded and bushy areas, areas with low vegetation and uncovered soil (unused lands or excavations). Three commonly used classifiers were analysed: Maximum Likelihood, Support Vector Machine and Random Trees for different input parameters. The result of the research is the assessment of their effectiveness in the detection of individual classes and the assessment of the suitability of the classification results for updating the BDOT10k database. The research was carried out for the WorldView-2 satellite image with a spatial resolution of 0.46 m and orthophotos from aerial images with a spatial resolution of 0.08 m. The research results indicate that the use of different ML classifiers and source data slightly affects the classification result. Overall accuracy statistics show that the classification using satellite images gave slightly better results by a few percentage points in the range from 76% to 81%, and for aerial photos from 75% to 78%. However, for some classes the statistical measure F1 exceeds 0.9 value. The tested ML algorithms give very good results in identifying selected topographic objects, but it is not yet possible to directly update topographical database.
Źródło:
Teledetekcja Środowiska; 2022, 62; 5-15
1644-6380
Pojawia się w:
Teledetekcja Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The concept of an intelligent system of an outfit completion
Autorzy:
Semianchuk, Sofiia
Shestakevych, Tetiana
Powiązania:
https://bibliotekanauki.pl/articles/1833886.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Oddział w Lublinie PAN
Tematy:
neural network
wardrobe
pattern recognition
image classification
convolutional neural networks
Analytic Hierarchy Process
Opis:
The article considers the main criteria for the selection and formation of the wardrobe, which is one of the areas of application of methods and means for image classification. Typical software solutions for the task are analyzed, and the Analytic Hierarchy Process was used to analyze such applications. To improve the wardrobe selection process, the concept of an intelligent information system based on the use of convolutional neural networks was proposed.
Źródło:
ECONTECHMOD : An International Quarterly Journal on Economics of Technology and Modelling Processes; 2020, 9, 2; 30--36
2084-5715
Pojawia się w:
ECONTECHMOD : An International Quarterly Journal on Economics of Technology and Modelling Processes
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Metody analizy obrazu – analiza obrazu mammograficznego na podstawie cech wyznaczonych z tekstury
Image analysis methods - analysis of mammographic image based on textural features
Autorzy:
Lazarek, J.
Powiązania:
https://bibliotekanauki.pl/articles/408690.pdf
Data publikacji:
2013
Wydawca:
Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Tematy:
mammografia
obrazowanie medyczne
analiza tekstury
klasyfikacja obrazów
mammography
medical diagnostic imaging
image texture analysis
image classification
Opis:
W artykule przedstawiono analizę możliwości zastosowania cech wyznaczanych z tekstury do klasyfikacji wykrytych, na obrazie mammograficznym, obszarów zainteresowania – jako obszarów niezmienionych lub zmienionych chorobowo. Cechy tekstury wyznaczono na podstawie histogramu, macierzy gradientu, macierzy długości pasm oraz macierzy zdarzeń. Klasyfikację przeprowadzono z wykorzystaniem klasyfikatora k-NN. W wyniku przeprowadzonych eksperymentów poprawnie rozpoznano wszystkie zmienione chorobowo próbki.
This paper presents an analysis of the possibility of using textural features for mammographic images classification. Textural features are calculated base on histogram, gradient matrix, run-length matrix, co-occurence matrix. Classification is based on k-NN classifier, the regions of interest can be classified as normal or abnormal. Results of some experiments are presented. All of abnormal regions were classified correctly.
Źródło:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2013, 4; 10-13
2083-0157
2391-6761
Pojawia się w:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Correction of spectral radiance of optical satellite image for mountainous terrain for studying land surface cover changes
Radiometryczna korekcja satelitarnego obrazu optycznego dla terenów górzystych w badaniach zmian pokrycia terenu
Autorzy:
Chinh Ke, L.
Ngoc Tuong, T.
Van Hung, N.
Powiązania:
https://bibliotekanauki.pl/articles/145579.pdf
Data publikacji:
2014
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
pokrycie terenu
korekcja radiometryczna
obraz satelitarny
image radiation correction
correction models
slope and terrain aspect
image classification
Opis:
Qualitative and quantitative results of high terrain elevation effect on spectral radiance of optical satellite image which affect the accuracy in retrieving of land surface cover changes is given. The paper includes two main parts: correction model of spectral radiance of satellite image affected by high terrain elevation and assessment of impacts and variation of land cover changes before and after correcting influence of high terrain elevation to the spectral radiance of the image. Study has been carried out with SPOT 5 in Hoa Binh mountain area of two periods: 2007 and 2010. Results showed that appropriate correction model is the Meyer’s one. The impacts of correction spectral radiance to 7 classes of classified images fluctuate from 15% to 400%. The varying changes before and after correction of image radiation fluctuate over 7 classes from 5% to 100%.
W artykule został przedstawiony wpływ różnicy wysokości terenu na spektralne właściwości optycznego obrazu satelitarnego, pod kątem badania zmian pokrycia terenu. Praca zawiera dwie główne części: korekcję radiometryczną obrazu satelitarnego na terenach wysokogórskich oraz ocenę skutków i zmienności pokrycia terenu przed i po korekcji wpływu wysokości terenu na odbicie spektralne obrazu. Badanie zostało przeprowadzone w obszarach górskich Hoa Binh na podstawie analizy obrazów SPOT5 z lat 2007 i 2010. Wyniki wykazały, że odpowiednim modelem korekcji dla badanego terenu jest model Meyer’a. Wpływ korekcji radiometrycznej wynik klasyfikacji pokrycia terenu (wydzielono 7 klas) waha się od 15% do 400%. Zmiany pokrycia terenu przed i po korekcji wpływu wysokości terenu na odbicie spektralne wahają się od 5% do 100%.
Źródło:
Geodesy and Cartography; 2014, 63, 1; 39-53
2080-6736
2300-2581
Pojawia się w:
Geodesy and Cartography
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Melanoma Skin Cancer and Nevus Mole Classification using Intensity Value Estimation with Convolutional Neural Network
Autorzy:
Ashafuddula
Islam, Rafiqul
Powiązania:
https://bibliotekanauki.pl/articles/27312851.pdf
Data publikacji:
2023
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
melanoma detection
medical imaging
image classification
convolutional neuralnetwork
intensity value estimation
canny edge detection
Opis:
Melanoma skin cancer is one of the most dangerous and life-threatening cancer. Exposure to ultraviolet rays may damage the skin cell's DNA, which causes melanoma skin cancer. However, it is difficult to detect and classify melanoma and nevus mole at the immature stages. In this work, an automatic deep learning system is developed based on the intensity value estimation with a convolutional neural network model (CNN) to detect and classify melanoma and nevus mole more accurately. Since intensity levels are the most distinctive features for object or region of interest identification, the high-intensity pixel values are selected from the extracted lesion images. Incorporating those high-intensity features into the CNN improves the overall performance than the state-of-the-art methods for detecting melanoma skin cancer. To evaluate the system, we used 5-fold cross-validation. Experimental results show that a superior percentage of accuracy (92.58%), Sensitivity (93.76%), Specificity (91.56%), and Precision (90.68%) are achieved.
Źródło:
Computer Science; 2023, 24 (3); 277--296
1508-2806
2300-7036
Pojawia się w:
Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Analysis of Clothing Image Classification Models: A Comparison Study between Traditional Machine Learning and Deep Learning Models
Autorzy:
Xu, Jun
Wei, Yumeng
Wang, Aichun
Zhao, Heng
Lefloch, Damien
Powiązania:
https://bibliotekanauki.pl/articles/2200761.pdf
Data publikacji:
2022
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:
e-commerce
clothing image classification
traditional machine learning
CNN
HOG
SVM
small VGG network
Opis:
Clothing image in the e-commerce industry plays an important role in providing customers with information. This paper divides clothing images into two groups: pure clothing images and dressed clothing images. Targeting small and medium-sized clothing companies or merchants, it compares traditional machine learning and deep learning models to determine suitable models for each group. For pure clothing images, the HOG+SVM algorithm with the Gaussian kernel function obtains the highest classification accuracy of 91.32% as compared to the Small VGG network. For dressed clothing images, the CNN model obtains a higher accuracy than the HOG+SVM algorithm, with the highest accuracy rate of 69.78% for the Small VGG network. Therefore, for end-users with only ordinary computing processors, it is recommended to apply the traditional machine learning algorithm HOG+SVM to classify pure clothing images. The classification of dressed clothing images is performed using a more efficient and less computationally intensive lightweight model, such as the Small VGG network.
Źródło:
Fibres & Textiles in Eastern Europe; 2022, 5 (151); 66--78
1230-3666
2300-7354
Pojawia się w:
Fibres & Textiles in Eastern Europe
Dostawca treści:
Biblioteka Nauki
Artykuł

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