طبقه بندی دو طبقه آب و هوا

قیمت: 46,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

طبقه بندی دو طبقه آب و هوا

عنوان لاتین

Two-Class Weather Classification

با توجه به یک تصویر گرفته شده در فضای باز، ما یک روش یادگیری مشارکتی، با استفاده از ویژگی های جدید آب و هوا، برای نشان دادن تصویر به عنوان ابری یا آفتابی، پیشنهاد می کنیم. محدود بودن این مسئله طبقه بندی بی اهمیت نیست، زیرا انواع مختلفی از تصاویر گرفته شده در فضای باز، توسط دوربین-های مختلف انجام می گیرد که ممکن است تصاویر پس از گرفته شدن، ویرایش شده باشند. روی هم رفته ویژگی های آب و هوای ما، ترکیبی از ویژگی های داده محور شبکه های عصبی کانولوشن و ویژگی های خاص انتخاب شده آب و هوا، است. آن ها با هم در یک چارچوب بهینه سازی یکپارچه کار می کنند که از حضور (یا فقدان) یک نشانه آب و هوایی مشخص، در طول یادگیری و طبقه بندی آگاهی دارند. در این مقاله، یک طرح تقویت داده برای غنی سازی قابل ملاحظه داده های آموزشی که برای آموزش چارچوب SVM پنهان استفاده می شود، به منظور ایجاد راه حل غیر حساس به انتقال شدت سراسری، پیشنهاد می کنیم. آزمایش های گسترده ای برای بررسی روش ما انجام شده است. در مقایسه با کار قبلی و فقط استفاده از طبقه بندی CNN، این مقاله دقت را 7 تا 8 درصد بهبود می بخشد. مجموعه داده های هواشناسی و همراه با اجرای طبقه بندی ما، در دسترس است.

Given a single outdoor image, we propose a collaborative learning approach using novel weather features to label the image as either sunny or cloudy. Though limited, this two-class classification problem is by no means trivial given the great variety of outdoor images captured by different cameras where the images may have been edited after capture. Our overall weather feature combines the data-driven convolutional neural network (CNN) feature and well-chosen weather-specific features. They work collaboratively within a unified optimization framework that is aware of the presence (or absence) of a given weather cue during learning and classification. In this paper we propose a new data augmentation scheme to substantially enrich the training data, which is used to train a latent SVM framework to make our solution insensitive to global intensity transfer. Extensive experiments are performed to verify our method. Compared with our previous work and the sole use of a CNN classifier, this paper improves the accuracy up to 7 − 8%. Our weather image dataset is available together with the executable of our classifier.