--

17 (1) 2022

Phương pháp tiếp cận quần thể lựa chọn đặc trưng dựa trên xếp hạng đặc trưng cho phân loại hình ảnh hạt lúa giống


Tác giả - Nơi làm việc:
Lâm Trần Tuấn Dzi - Trường Chính trị Sóc Trăng, Sóc Trăng , Việt Nam
Tác giả liên hệ, Email: Lâm Trần Tuấn Dzi - tdzi2005@gmail.com
Ngày nộp: 07-04-2022
Ngày duyệt đăng: 21-04-2022
Ngày xuất bản: 26-04-2022

Tóm tắt
Trong nông nghiệp thông minh, người ta sử dụng thị giác máy tính để nhận dạng hạt lúa giống thay vì cần các chuyên gia thực hiện. Trong bài báo này, chúng tôi đã xem xét ba loại mô tả đặc trưng, như Local Binary Patterns (LBP), Histogram of Oriented Gradients (HOG) và Gradient Domain Image Stitching (GIST) để mô tả hình ảnh hạt lúa giống. Tuy nhiên, cách tiếp cận này làm nảy sinh vấn đề về hiện tượng số chiều và cần phải lựa chọn các đặc trưng liên quan để có một mô hình biểu diễn nhỏ gọn và tốt hơn. Một quần thể lựa chọn đặc trưng mới được đề xuất để đại diện cho tất cả các thông tin hữu ích được thu thập từ các phương pháp lựa chọn đặc trưng đơn lẻ khác nhau. Các kết quả thử nghiệm trên phương pháp đề xuất của chúng tôi đã cho thấy được hiệu quả về độ chính xác.

Từ khóa
GIST; HOG; LBP; lựa chọn đặc trưng; lúa giống; lựa chọn đặc trưng; quần thể xếp hạng đặc trưng

Toàn văn:
PDF

Trích dẫn:

Lam, D. T. T. (2022). Phương pháp tiếp cận quần thể lựa chọn đặc trưng dựa trên xếp hạng đặc trưng cho phân loại hình ảnh hạt lúa giống [A combination of feature ranking approaches for rice images classification]. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh – Kỹ thuật và Công nghệ, 17(1), 28-42. doi:10.46223/HCMCOUJS.tech.vi.17.1.2234.2022


Tài liệu tham khảo

Benabdeslem, K., & Hindawi. M. (2011). Constrained Laplacian score for semi-supervised feature selection. In Joint European conference on machine learning and knowledge discovery in databases (pp. 204-218). Berlin, Germany: Springer. doi:10.1007/978-3-642- 23780-5_23


Bishop, C. M. (1996). Neural networks for pattern recognition (1st ed.). Oxford, UK: Oxford University Press.


Bolon-Canedo, V., & Alonsobetanzos, A. (2019). Ensembles for feature selection: A review and future trends. Information Fusion, 52(1), 1-12. doi:10.1016/j.inffus.2018.11.008


Cai, J., Luo, J., Wang, S., & Yang, S. (2018). Feature selection in machine learning: A new perspective. Neurocomputing, 300(1), 70-79. doi:10.1016/j.neucom.2017.11.077


Chiew, K. L., Tan, C. L., Wong, K., Yong, K. S. C., & Tiong, W. K. (2019). A new hybrid ensemble feature selection framework for machine learning-based phishing detection system. Information Sciences, 484(1), 153-166. doi:10.1016/j.ins.2019.01.064


Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. In 2005 IEEE computer society conference on Computer Vision and Pattern Recognition (CVPR’05) (pp. 886-893). San Diego, CA: IEEE. doi:10.1109/CVPR.2005.177


Deniz, O., Bueno, G., Salido, J., & De La Torre, F. (2011). Face recognition using histograms of oriented gradients. Pattern Recognition Letters, 32(12), 1598-1603. doi:10.1016/j.patrec.2011.01.004


Drotar, P., Gazda, M., & Vokorokos, L. (2019).  Ensemble feature selection using election methods and ranker clustering. Information Sciences, 480(1), 365-380. doi:10.1016/j.ins.2018.12.033


Duong, T. H., & Truong, V. H. (2019). Dimensionality reduction based on feature selection for rice varieties recognition. In 4th International Conference on Information Technology (InCIT) (pp. 199-202). Bangkok, Thailand: IEEE. doi:10.1109/INCIT.2019.8912121


Gomes, J. F. S., & Leta, F. R. (2012). Applications of computer vision techniques in the agriculture and food industry: A review. European Food Research and Technology, 235(6), 989-1000. doi:10.1007/s00217-012-1844-2


Guyon, I., & Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of Machine Learning Research, 3(7), 1157-1182. doi:10.5555/944919.944968


Humeau-Heurtier, A. (2019). Texture feature extraction methods: A survey. IEEE Access, 7(1), 8975-9000. doi:10.1109/ACCESS.2018.2890743


Kira, K., & Rendell, L. A. (1992). A practical approach to feature selection. In Machine learning proceedings 1992 (pp. 249-256). Aberdeen, Scotland: Elsevier. doi:10.1016/B978-1-55860-247-2.50037-1


Kononenko, I. (1994). Estimating attributes: Analysis and extensions of ReliefF. In European Conference on machine learning (pp. 171-182). Berlin, Germany: Springer. doi:10.1007/3-540-57868-4_57


Kononenko, I., Simec, E., & Robniksikonja, M. (1997). Overcoming the Myopia of inductive learning algorithms with ReliefF. Applied Intelligence, 7(1), 39-55. doi:10.1023/A:1008280620621


Mebatsion, H. K., Paliwal, J., & Jayas, D. S. (2013). Automatic classification of nontouching cereal grains in digital images using limited morphological and color features. Computers and Electronics in Agriculture, 90(1), 99-105. doi:10.1016/j.compag.2012.09.007


Miftahushudur, T., Wael, C. B. A., & Praludi, T. (2019). Infinite latent feature selection technique for hyperspectral image classification. Jurnal Elektronika dan Telekomunikasi, 19(1), 32-37. doi:10.14203/jet.v19.32-37


Mirzaei, A., Pourahmadi, V., Soltani, M., & Sheikhzadeh, H. (2020). Deep feature selection using a teacher-student network. Neurocomputing, 383(1), 396-408. doi:10.1016/j.neucom.2019.12.017


Nguyen, T. V., & Truong, V. H. (2019). Kinship verification based on local binary pattern features coding in different color space. In 26th International Conference on Telecommunications (ICT) (pp. 376-380). Hanoi, Vietnam: IEEE. doi:10.1109/ICT.2019.8798781


Ojala, T., Pietikainen, M., & Maenpaa, T. (2001). A generalized local binary pattern operator for multiresolution gray scale and rotation invariant texture classification. In International conference on advances in pattern recognition (pp. 399-408). Rio de Janeiro, Brazil: Springer. doi:10.1007/3- 540-44732-6_41


Oliva, A., & Torralba, A. (2001). Modeling the shape of the scene: A holistic representation of the spatial envelope. International Journal of Computer Vision, 42(3), 145-175. doi:10.1023/A:1011139631724


Phan, D. H. V., Surinwarangkoon, T., Duong, T. H., Truong, V. H., & Meethongjan, K. (2020). A comparative study of rice variety classification based on deep learning and hand-crafted features. ECTI Transactions on Computer and Information Technology (ECTI-CIT),14(1), 1-10. doi:10.37936/ecticit.2020141.204170


Seijo-Pardo, B., Porto-Diaz, I., Bolon-Canedo, V., & Alonsobetanzos, A. (2017). Ensemble feature selection: Homogeneous and heterogeneous approaches. Knowledge-Based Systems, 118(1), 124-139. doi:10.1016/j.knosys.2016.11.017


Ta, H. M. N., & Truong, V. H. (2019). Feature fusion by using LBP, HOG, GIST descriptors and canonical correlation analysis for face recognition. In 2019 26th International Conference on Telecommunications (ICT) (pp. 371-375). Hanoi, Vietnam: IEEE. doi:10.1109/ICT.2019.8798816


Yamada, M., Jitkrittum, W., Sigal, L., Xing, E. P., & Sugiyama, M. (2014). High dimensional feature selection by feature-wise kernelized lasso. Neural Computation, 26(1), 185-207. doi:10.1162/NECO_a_00537


Zhang, R., Nie, F., Li, X., & Wei, X. (2019). Feature selection with multi-view data: A survey. Information Fusion, 50(1), 158-167. doi:10.1016/j.inffus.2018.11.019


Zhao, Z., Anand, R., & Wang, M. (2019). Maximum relevance and minimum redundancy feature selection methods for a marketing machine learning platform. In IEEE International Conference on Data Science and Advanced Analytics (DSAA) (pp. 442-452). Washington, D.C.: IEEE. doi:10.1109/DSAA.2019.00059



DOI: https://doi.org/10.46223/HCMCOUJS.tech.vi.17.1.2234.2022
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.