Efficient color image retrieval method using deep stacked sparse autoencoder
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
The recent advancement in deep learning-based approaches vastly outperforms the traditional image descriptors. Deep learning models, such as residual networks (ResNet), are well known for finding salient features. Although effective, high-level description often has a high dimensionality that increases computational overhead. The autoencoders find the useful approximation of the input data without losing critical information. Considering this, we propose a content-based image retrieval system for natural color images using a deep stacked sparse autoencoder (DSSA). The DSSA model learns latent features in an unsupervised way from the high-level description obtained using ResNet. The DSSA model achieves a nearly 50% reduction in size compared with the full-length features for the simple distance-based retrieval approach while increasing accuracy. The image retrieval efficacy of the learned latent features is also evaluated for two classifier-based methods using a Softmax classifier. Further, this study investigates the impact of unsupervised feature learning on retrieval using three benchmark natural color image databases of varying complexities, viz., Corel-1K, Corel-10K, and Canadian Institute for Advanced Research (CIFAR)-10. The latent features learned by the DSSA model with the fuzzy class membership-based retrieval method achieve promising improvements and yield a highly competitive retrieval performance with the large-size CIFAR-10 database.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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