Advertisement Image Classification—Visual ( <scp>RESNET</scp> ) Versus Textual ( <scp>BERT</scp> ) Features: An Experimental Study
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
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.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle