Artificial Neural Network (ANN) Based Object Recognition Using Multiple Feature Sets

Barthakur, Manami; Thakuria, Tapashi; Sarma, Kandarpa Kumar

doi:10.1007/978-3-642-25507-6_11

Cited by 4 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Artificial Neural Network [47] is a computational model, which is used for statistical data modeling over non-linear data. It is a machine learning tool which is inspired by the human brain system and performs learning by replicating the learning system of the human brain.…”

Section: Multiple Objects Recognition Based On Artificial Neural Nmentioning

confidence: 99%

Scene Semantic Recognition Based on Modified Fuzzy C-Mean and Maximum Entropy Using Object-to-Object Relations

et al. 2021

View full text Add to dashboard Cite

With advances in machine vision systems (e.g., artificial eye, unmanned aerial vehicles, surveillance monitoring) scene semantic recognition (SSR) technology has attracted much attention due to its related applications such as autonomous driving, tourist navigation, intelligent traffic and remote aerial sensing. Although tremendous progress has been made in visual interpretation, several challenges remain (i.e., dynamic backgrounds, occlusion, lack of labeled data, changes in illumination, direction, and size). Therefore, we have proposed a novel SSR framework that intelligently segments the locations of objects, generates a novel Bag of Features, and recognizes scenes via Maximum Entropy. First, denoising and smoothing are applied on scene data. Second, modified Fuzzy C-Means integrates with super-pixels and Random Forest for the segmentation of objects. Third, these segmented objects are used to extract a novel Bag of Features that concatenate different blobs, multiple orientations, Fourier transform and geometrical points over the objects. An Artificial Neural Network recognizes the multiple objects using the different patterns of objects. Finally, labels are estimated via Maximum Entropy model. During experimental evaluation, our proposed system illustrated a remarkable mean accuracy rate of 90.07% over the MSRC dataset and 89.26% over the Caltech 101 for object recognition, and 93.53% over the Pascal-VOC12 dataset for scene recognition, respectively. The proposed system should be applicable to various emerging technologies, such as augmented reality, to represent the real-world environment for military training and engineering design, as well as for entertainment, artificial eyes for visually impaired people and traffic monitoring to avoid congestion or road accidents.

show abstract

Section: Multiple Objects Recognition Based On Artificial Neural Nmentioning

confidence: 99%

Scene Semantic Recognition Based on Modified Fuzzy C-Mean and Maximum Entropy Using Object-to-Object Relations

et al. 2021

View full text Add to dashboard Cite

show abstract

“…Generalmente, la red neuronal artificial consta de 3 etapas: la primera involucra el diseño, donde se elige el tipo de red neuronal, la cantidad de neuronas que generara, la función de activación definida y el algoritmo de aprendizaje. La fase de entrenamiento presenta una serie de entradas y salidas a la red neuronal, de las cuales aprende mediante el uso del algoritmo de entrenamiento (Barthakur et al, 2012). Luego, la entrada relevante se alimenta a la red, donde la red genera una salida basada en lo que aprendió durante la fase de entrenamiento.…”

Section: Introductionunclassified

Estimación de la Demanda Bioquímica de Oxígeno (DBO5) en aguas residuales de las empresas de jeans de la ciudad de Pelileo utilizando redes neuronales artificiales

Vargas

Suárez

Valle

2022

CCD

View full text Add to dashboard Cite

Introducción. Dentro de la inteligencia artificial, el uso de redes neuronales artificiales toma cada vez más importancia. Objetivo. Estimar el error de la Demanda Bioquímica de Oxígeno en aguas residuales de las empresas de jeans de la ciudad de Pelileo utilizando redes neuronales. Métodos. En primer lugar, se desarrolló una base de datos conformada por 6 parámetros físicos, 9 parámetros químicos y una variable de salida. Estas variables se seleccionaron mediante la Norma TUSLA y fueron recopiladas del catastro del GAD Pelileo de los años 2017-2018 y de un laboratorio de análisis de aguas certificado. A continuación, se utilizó el software Matlab con el diseño de la red neuronal artificial feed forward backpropagation con la capa de entrada de 15 variables. La primera capa oculta tuvo diez neuronas, la segunda capa sumatoria con una neurona y la capa de salida con la variable de respuesta correspondiente a la estimación de la Demanda Bioquímica de Oxígeno con el algoritmo de aprendizaje de Levenberg-Marquardt. Resultados. Se obtuvo valores del coeficiente de correlación, del error estimado de la red, y de la comparación de la Prueba Tukey, tales como: 0.98081; 0.8890; 0.9833. Estas cifras revelan una concordancia entre los valores estimados por la red y los valores reales. Finalmente, los resultados demostraron que la Demanda Bioquímica de Oxígeno se estimó numéricamente en aguas residuales a través de los modelos neuronales. Este tipo de modelo de neuronas representa sólo una parte de la función matemática que la red construye a partir del conjunto de observaciones.

show abstract

Elaboración de un modelo neuronal artificial para la estimación de la demanda bioquímica de oxígeno en aguas marinas

Castellar

Salcedo

2020

rev.investig.agrar.ambient.

View full text Add to dashboard Cite

Contextualización: los modelos neuronales artificiales son modelos diseñados a partir de métodos numéricos denominados Redes Neuronales Artificiales. El uso de estos, como herramienta de predicción de la Demanda Bioquímica de Oxígeno (DBO), ha demostrado diversas ventajas, entre otras, la reducción del tiempo y los costos económicos asociados a este parámetro. La DBO generalmente requiere de 5 a 7 días, así como múltiples reactivos químicos, para poder establecer los niveles de materiales orgánicos en las aguas. Vacío de investigación: los modelos neuronales artificiales permiten calcular la DBO en tiempo real, a partir de variables fisicoquímicas registradas in situ. A pesar de ello, las redes neuronales artificiales no han sido utilizadas hasta ahora como método de estimación de la DBO en aguas marinas de Colombia. Propósito del estudio: teniendo en cuenta este aspecto, en la presente investigación se elaboró un modelo neuronal artificial que permite estimar la DBPO en aguas del Mar Caribe Colombiano. Metodología: para elaborar el modelo fue necesario realizar cinco simulaciones (constituidas por un número de 2 a 3 capas ocultas, y de 5 a 20 neuronas por capa). El desempeño predictivo de cada una de estas se evaluó a través del coeficiente de correlación. Resultados y conclusiones: los valores más altos de este indicador estadístico (0,937, 0,951, 0,953, y 0,941), se obtuvieron para el modelo que utilizó 3 capas, de 20 neuronas cada una, en sus cuatro etapas de aprendizaje (entrenamiento, validación, prueba, y todos los datos). Estas cifras indican un cercano ajuste entre los datos observados y las estimaciones hechas por la red. Estos resultados demuestran además que la Demanda Bioquímica de Oxígeno puede ser estimada numéricamente, en aguas marinas, a través de modelos neuronales artificiales.

show abstract

Artificial Neural Network (ANN) Based Object Recognition Using Multiple Feature Sets

Cited by 4 publications

References 0 publications

Scene Semantic Recognition Based on Modified Fuzzy C-Mean and Maximum Entropy Using Object-to-Object Relations

Scene Semantic Recognition Based on Modified Fuzzy C-Mean and Maximum Entropy Using Object-to-Object Relations

Estimación de la Demanda Bioquímica de Oxígeno (DBO5) en aguas residuales de las empresas de jeans de la ciudad de Pelileo utilizando redes neuronales artificiales

Elaboración de un modelo neuronal artificial para la estimación de la demanda bioquímica de oxígeno en aguas marinas

Contact Info

Product

Resources

About