2-Layer Perceptron Performance Improvement in Classifying 26 Turned Monochrome 60-by-80-Images via Training with Pixel-Distorted Turned Images
| Jazyk: | angličtina |
|---|---|
| Rok vydání: | 2014 |
| Předmět: |
Information technology
system analysis and guidance Інформаційні технології системний аналіз та керування Computer Science::Computer Vision and Pattern Recognition Automatization Object classification Neocognitron Perceptron Monochrome images Pixel-distortion Rotation Turn-distortion Training set Classification error percentage Автоматизация Классификация объектов Неокогнитрон Персептрон Монохромные изображения Пиксельные искажения Поворот Искажения поворотами Обучающее множество Процентный уровень ошибок классификации Автоматизація Класифікація об’єктів Неокогнітрон Монохромні зображення Піксельні спотворення Спотворення поворотами Навчальна множина Відсотковий рівень помилок класифікації Информационные технологии системный анализ и управление |
| Zdroj: | Наукові вісті КПІ; № 5 (2014): ; 55-62 Научные вести КПИ; № 5 (2014): ; 55-62 Research Bulletin of the National Technical University of Ukraine "Kyiv Politechnic Institute"; № 5 (2014): Engineering; 55-62 |
| ISSN: | 1810-0546 2519-8890 |
| Popis: | There is tried 2-layer perceptron in classifying turn-distorted objects at acceptable classification error percentage. The object model is a letter of English alphabet, which is monochrome 60-by-80-image. Neither training 2-layer perceptron with pixel-distorted images, nor with turn-distorted images makes it classify satisfactorily. Therefore in classifying turn-distorted images a 2-layer perceptron performance might be improved via training under distortion modification. The modified distorted images for the training set are suggested as mixture of turn-distorted and pixel-distorted images. Thus the training set is formed of pixel-distorted turned images on the 26 alphabet letters pattern. A performance improvement is revealed when there are passed much more training samples through 2-layer perceptron. This certainly increases traintime, but instead 2-layer perceptron can classify either of pixel-distorted images and pixel-distorted turned images. At that the trained 2-layer perceptron is about 35 times faster than neocognitron in classifying objects of the considered medium format. Испытывается двухслойный персептрон в классификации объектов, искаженных поворотами, на приемлемом процентном уровне ошибок классификации. Моделью объекта выступает буква английского алфавита, которая представляет собой монохромное изображение формата 60*80. Обучение двухслойного персептрона ни на изображениях с пиксельными искажениями, ни на изображениях, искаженных поворотами, не делает его способным классифицировать на удовлетворительном уровне. Исходя из сего, в классификации изображений, искаженных поворотами, производительность двухслойного персептрона могла бы быть улучшена посредством обучения при модификации искажений. В качестве модифицированных искаженных изображений для обучающего множества предлагается смесь изображений, искаженных поворотами, и изображений с пиксельными искажениями. Соответственно, обучающее множество формируется из повернутых изображений с пиксельными искажениями на основе шаблона 26-ти алфавитных букв. Улучшение производительности обнаруживается тогда, когда через двухслойный персептрон пропускается значительно больше обучающих выборок. Это непременно увеличивает время обучения, но вместе с тем двухслойный персептрон может классифицировать и изображения с пиксельными искажениями, и повернутые изображения с пиксельными искажениями. И вдобавок в классификации объектов рассмотренного среднего формата обученный двухслойный персептрон приблизительно в 35 раз быстрее неокогнитрона. Випробовується двошаровий персептрон у класифікації об’єктів, спотворених поворотами, на прийнятному відсотковому рівні помилок класифікації. Моделлю об’єкта виступає літера англійського алфавіту, що являє собою монохромне зображення формату 60*80. Навчання двошарового персептрона ні на зображеннях з піксельними спотвореннями, ні на зображеннях, спотворених поворотами, не робить його здатним класифікувати на задовільному рівні. Отже, у класифікації зображень, спотворених поворотами, продуктивність двошарового персептрона могла би бути поліпшена через навчання за умови модифікації спотворень. Як модифіковані спотворені зображення для навчальної множини пропонується суміш зображень, спотворених поворотами, та зображень з піксельними спотвореннями. Відповідно, навчальна множина формується з повернутих зображень з піксельними спотвореннями на основі шаблону 26-ти алфавітних літер. Підвищення продуктивності проявляється тоді, коли через двошаровий персептрон пропускається значно більше навчальних вибірок. Це неодмінно збільшує час навчання, але натомість двошаровий персептрон може класифікувати і зображення з піксельними спотвореннями, і повернуті зображення з піксельними спотвореннями. До того ж у класифікації об’єктів розглянутого середнього формату навчений двошаровий персептрон приблизно у 35 разів швидший за неокогнітрон. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|