Content-Based Image Retrieval Using Adaptive CIE Color Feature Fusion
Notice bibliographique
Résumé
This work proposes a novel content-based image retrieval framework using adaptive weight feature fusion in the International Commission on Illumination (CIE) color space.To enhance the weights of the saliency region features of an image, an adaptive wrapper model is proposed for the adaptive feature selection.Initially, the images are transferred to the CIE color space, i.e., the L*, a*, b* color space.The local binary model (LBP) texture features of all four channels are analyzed class-wise.For each class, the weights of the LBP features for a* and b* axis are calculated dynamically as per their class variance.The weighted LBP features along a* and b* axis are merged, which is referred to as the LBPCW feature in the CIE color space.To test the performance of the proposed LBPCW feature we developed a CBIR system, here two standard classifiers i.e.Support Vector Machine (SVM), and Naï ve Bayes (NB) is used for classification and Euclidian distance measure is used for image retrieval.The model is tested with two public datasets Wang-1K and Corel-5K.It is observed that our proposed LBPCW feature outperforms LBP and local binary pattern with saliency map (LBPSM) features.
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 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».