Batik Classification with Artificial Neural Network Based on Texture-Shape Feature of Main Ornament
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Batik is a text ile with mot ifs of Indonesian culture wh ich has been recognized by UNESCO as world cultural heritage. Bat ik has many motifs which are classified in various classes of batik. This study aims to combine the features of texture and the feature of shapes' ornament in batik to classify images using artificial neural networks. The value of texture features of images in batik is extracted using a gray level co-occurrence matrices (GLCM) wh ich include Angular Second Moment (ASM) / energy), contrast, correlation, and inverse different mo ment (IDM ). The value of shape features is extracted using a binary mo rphological operation which includes compactness, eccentricity, rectangularity and solidity. At this phase of the training and testing, we compare the value of a classification accuracy of neural networks in each class in batik with their texture features, their shape, and the combination of texture and shape features. From the three features used in the classification of batik image with artificial neural networks, it was obtained that shape feature has the lowest accuracy rate of 80.95% and the combination of texture and shape features produces a greater value of accuracy by 90.48%. The results obtained in this study indicate that there is an increase in accuracy of batik image classification using the artificial neural network with the co mb ination of texture and shape features in batik image.
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.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 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 découle