A Two-Stage Outdoor - Indoor Scene Classification Framework: Experimental Study for the Outdoor Stage
Notice bibliographique
Résumé
The state-of-the-art image classification methods require an intensive learning stage and a considerable amount of training images. Recently, with the introduction of these models (and in particular convolutional neural network (CNN)), it is believed that the best solution to achieve a system with high performance on scene classification is to learn deep scene features using CNN. While this can be true for large-scale image datasets (in the scale of one-million training images), the feasibility of reaching state-of-the-art performances in other complex datasets with a handful training examples remains unclear. Here, we argue that we can reach a highly accurate performance by presenting a simple model on the scene classification problem. This paper presents a hierarchical two-stage scene classification framework based on indoor versus outdoor notion. The suggested approach is a simple, yet a very efficient global image representation model for scene recognition. Though the term of indoor versus outdoor has been in the literature for quite a while, here we go further than that and propose a scene classifier model which classifies all the outdoor scene classes versus one undifferentiated indoor class. To achieve this, we tackle the problem of scene classification by using distributions of quantized filter responses to characterize the scenes. Later the classifier outputs either one of the several outdoor scene classes or a generic indoor scene class. We validate the proposed approach by feeding the algorithm with two benchmark datasets: 15-Scene category and SUN397. Successful experiments demonstrate the validity of the proposed approach. With the presented model, we reach an average accuracy of 97.84% and 55.1% in outdoor scenes and 93.09% and 92.4% in the indoor scene class on 15-Scene and SUN397 respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».