سال انتشار: 2016

---

چکیده:

کلاسه ­بندی بصری تصویر نقش مهمی در بینایی کامپیوتری و شناسایی الگو ایفا می­ کند. در این مقاله، یک روش جنگل­ های تصادفی جدید به نام جنگل­ های متریک پیشنهاد شده است. این روش توزیع مجموعه داده­ ها (شامل مجموعه داده اصلی و خود راه ­انداز) را به طور کامل در نظر می­گیرد. روش پیشنهاد شده از شباهت توزیع بین مجموعه داده اصلی و مجموعه داده­های خود راه ­انداز بهره می­ برد. برای هر مجموعه داده خود راه ­انداز، یک درخت تصمیم­ متریک بر اساس مدل مخلوط گوسی ساخته می­شود.

به درخت تصمیم متریک یاد گرفته از مجموعه داده خود راه ­انداز با یک شاخص شباهت پایین یا بالا هنگام رای­گیری وزن کمی داده می­ شود و برعکس. روش پیشنهاد شده از این منشا گرفته است که مجموعه داده با شباهت کم ممکن است مجموعه داده اصلی را به خوبی نشان ندهد درحالی­که مجموعه داده با شباهت زیاد شانس زیادی برای تطبیق دارد. برای ارزیابی روش جنگل ­های متریک پیشنهاد شده آزمایش­ های گسترده­ای برای کلاسه­ بندی بصری تصویر شامل کلاسه­ بندی تصویر بافت، کلاسه ­بندی تصویر گل و کلاسه ­بندی تصویر غذا انجام شده است. نتایج تجربی برتری روش جنگل ­های متریک پیشنهاد شده را بر روی مجموعه داده ­های ALOT، گل-102 و غذا-101 تصدیق کردند.

---

کلمات کلیدی اصلی این محصول: مقاله کلاسه بندی تصویر ، مقاله جنگل های تصادفی ، دانلود مقاله کلاسه بندی تصویر ،  دانلود مقاله جنگل های تصادفی  ، مقاله آموزش متریک ، دانلود مقاله آموزش متریک

کلمات کلیدی انگلیسی: Visual image classification · Random forests ·

Metric learning · Gaussian mixture model