WaveTexNeT: Ensemble Based Wavelet-Xception Deep Neural Network Architecture for Color Texture Classification
Notice bibliographique
Résumé
Recognizing real visual textures in the nature have been a challenging task since they are complex and stochastic.In spite of several decades of research, classifying the real world color textures are still challenging because of the intricate nature of the textures and the lack of substantial improvement of accuracy in benchmark datasets.Deep Learning techniques have found to be effective in identifying and classifying the texture patterns to a larger extent, but it could not capture spectral information and achieve excellent results for natural images.In this paper, we propose a deep convolutional neural network architecture, WaveTexNeT that combines Wavelet convolutional neural networks (WaveletCNN) and Xception model with luminance information for classifying real-world natural textures.Spectral and spatial features are extracted from WaveletCNN and Xception model.The highlight of the work is the utilization of spectral and spatial information along with luminance for texture classification.A color space image data augmentation technique is proposed that use luminance images from YIQ model for color texture classification.This work also throws light into the significance of luminance information for texture classification.Experimental analysis of the work reports that WaveTexNeT captures better feature representations and outperforms the accuracy obtained using the state-of-the-art methods.WaveTexNeT obtained an accuracy of 90.34% and 95.01% for the describable and material perception texture datasets DTD and FMD 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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».