Classification of clothing images based on a parallel convolutional neural network and random vector functional link optimized by the grasshopper optimization algorithm
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
To improve accuracy in clothing image recognition, this paper proposes a clothing classification method based on a parallel convolutional neural network (PCNN) combined with an optimized random vector functional link (RVFL). The method uses the PCNN model to extract features of clothing images. Then, the structure-intensive and dual-channel convolutional neural network (i.e., the PCNN) is used to solve the problems of traditional convolutional neural networks (e.g., limited data and prone to overfitting). Each convolutional layer is followed by a batch normalization layer, and the leaky rectified linear unit activation function and max-pooling layers are used to improve the performance of the feature extraction. Then, dropout layers and fully connected layers are used to reduce the amount of calculation. The last layer uses the RVFL as optimized by the grasshopper optimization algorithm to replace the SoftMax layer and classify the features, further improving the stability and accuracy of classification. In this study, two aspects of the classification (feature extraction and feature classification) are improved, effectively improving the accuracy. The experimental results show that on the Fashion-Mnist dataset, the accuracy of the algorithm in this study reaches 92.93%. This value is 1.36%, 2.05%, 0.65%, and 3.76% higher than that of the local binary pattern (LBP)-support vector machine (SVM), histogram of oriented gradients (HOG)-SVM, LBP-HOG-SVM, and AlexNet-sparse representation-based classifier algorithms, respectively, effectively demonstrating the classification performance of the algorithm.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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