Advertisement Image Classification—Visual ( <scp>RESNET</scp> ) Versus Textual ( <scp>BERT</scp> ) Features: An Experimental Study
Notice bibliographique
Résumé
ABSTRACT Newspapers serve as a vital source for various types of advertisements. Individuals eagerly await and search for advertisements relevant to them in newspapers. However, both printed newspapers and online newspapers lack the ability to provide category‐wise advertisement search options. As a result, searching a newspaper advertisement in a specific category becomes very time‐consuming and cumbersome due to sequential manual search across multiple newspapers. To address this problem in online newspapers, a classification model is needed that can classify advertisement images into predefined categories and hence allow users to perform category‐wise advertisement searches with much ease. This research introduces and compares two sets of classification models for advertisement images in online English newspapers in India. The first set utilizes visual features to train seven different classification models by fine‐tuning different layers of the Residual Network with 50 layers (ResNet50) pretrained model and achieves a maximum classification accuracy of 71.41%. The second set utilizes textual features to train 14 different classification models by fine‐tuning different layers of the pretrained Bidirectional Encoder Representations from Transformers (BERT) base model and achieves maximum classification accuracies in the range from 96.88% to 97.34%. This significant enhancement of more than 25% underscores the superiority of textual features over visual ones in understanding Indian online English newspaper advertisement images and holds promise for practical applications, including categorized advertisement searches.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».