Bag-of-visual-words models for adult image classification and filtering

Deselaers, Thomas; Pimenidis, Lexi; Ney, Hermann

doi:10.1109/icpr.2008.4761366

Cited by 138 publications

(106 citation statements)

References 6 publications

Supporting

Mentioning

103

Contrasting

Unclassified

Order By: Relevance

“…Để làm dữ liệu đầu vào cho giải thuật máy học SVM, nghiên cứu đề xuất sử dụng mô hình "bag of words" [9].…”

Section: -địNh Vị Các đIểm đặC Biệt (Keypoint Localization)unclassified

“…Mô hình Bag of Words (BoW) là một mô hình được sử dụng phổ biến trong các lĩnh vực phân loại, nhận dạng, phát hiện và truy vấn ảnh dựa trên nội dung [3], [4], [9]. Mô hình này xuất phát từ lĩnh vực xử lý ngôn ngữ tự nhiên, được dùng để biểu diễn tài liệu hoặc câu bằng tập hợp các từ (words) mà không quan tâm đến thứ tự (như một túi đựng -bag) cũng như cấu trúc ngữ pháp của chúng.…”

Section: ) Mô Hình Bag Of Words (Bow)unclassified

See 1 more Smart Citation

Giải Pháp Nhận Dạng Bệnh Trên Lúa Từ Thiết Bị Di Động Thông Minh

Hòa¹,

Phương²,

Thai-Nghe³

2017

Fair - Nghiên Cứu Cơ Bản Và Ứng Dụng Công Nghệ Thông Tin - 2016

View full text Add to dashboard Cite

I. GIỚI THIỆUViệt Nam là một trong những nước có nhiều người dân làm nghề trồng trọt, đặc biệt là việc trồng lúa, chiếm gần 72% lực lượng lao động cả nước. Trong đó Đồng bằng sông Cửu Long (ĐBSCL) chiếm khoảng 52% tổng sản lượng lúa của cả nước, hàng năm đóng góp trên 90% sản lượng gạo xuất khẩu. Sản xuất lúa có vai trò đặc biệt quan trọng trong việc đảm bảo an ninh lương thực quốc gia và góp phần tích cực trong xuất khẩu. Tuy nhiên, để duy trì sự tăng trưởng ổn định trong sản xuất lúa gạo ở nước ta, cần có những giải pháp bền vững. Những năm qua, do ảnh hưởng của biến đổi khí hậu và môi trường đã gây ra những đe dọa lớn đối với sản xuất lúa bền vững, nhất là sự bùng phát của các loại bệnh hại lúa và côn trùng hại lúa. Theo số liệu thống kê của Bộ Nông nghiệp và Phát triển nông thôn về tình hình dịch hại trên cây lúa những tháng đầu năm 2016 tại ĐBSCL như: Bệnh bạc lá (cháy bìa lá), Bệnh đạo ôn (cháy lá), Sâu đục thân, Vàng lá,... với tổng diện tích nhiễm gần 37,036 ha. Việc phát hiện kịp thời tình hình dịch hại trong sản xuất lúa là rất quan trọng và là nhu cầu cấp thiết, tuy vậy, để thực hiện được việc này đòi hỏi nông dân cần được trang bị kỹ thuật công nghệ cao.Thực tế, phần lớn nông dân lại chưa được hỗ trợ những ứng dụng/kỹ thuật công nghệ cao để có thể phát hiện sớm dịch bệnh nhằm điều trị kịp thời. Hiện tại, thiết bị di động thông minh (smart mobile devices) đang rất phổ biến, rẻ tiền và dễ sử dụng đối với phần lớn người dùng, trong đó có nông dân. Chính vì vậy việc xây dựng các ứng dụng có khả năng nhận dạng/phát hiện và phân loại bệnh hại trên lúa từ ảnh chụp của thiết bị di động là rất thiết thực và khả thi.Bài viết này đề xuất giải pháp Xây dựng hệ thống nhận dạng bệnh trên cây lúa thông qua ảnh chụp từ thiết bị di động, trước mắt thử nghiệm trên các thiết bị chạy trên hệ điều hành Android do tính phổ biến của nó cũng như giá thành phù hợp với phần lớn nông dân. Từ ảnh chụp đầu vào, hệ thống tiến hành trích chọn đặc trưng ảnh (như đặc trưng SIFT) sau đó đưa vào mô hình phân lớp (như máy học SVM) để phân lớp/nhận dạng. Kết quả đầu ra là bệnh tương ứng trên cây lúa và gợi ý một số phương pháp phòng trừ bệnh cũng như cách chăm sóc cây lúa sao cho đạt năng suất cao nhất. II. CƠ SỞ LÝ THUYẾT VÀ NGHIÊN CỨU LIÊN QUAN A. Các loại bệnh trên cây lúaMặc dù có nhiều loại bệnh hại trên lúa, nghiên cứu này trước mắt tập trung phân loại 04 loại bệnh thƣờng xảy ra ở ĐBSCL là bệnh Cháy bìa lá, bệnh Cháy lá (đạo ôn), bệnh Vàng lá, bệnh Đốm vằn như thể hiện trong Hình 1. Triệu chứng của 4 loại bệnh này đều có thể hiện trên lá lúa [1] do đó bài viết sẽ tập trung nghiên cứu trên lá lúa bị nhiễm bệnh. B. Biểu diễn ảnh bằng đặc trưng SIFT và mô hình Bag of Words (BoW) 1) Trích chọn đặc trưng cục bộ bất biến SIFTTrích chọn đặc trưng là quá trình xử lý một ảnh đầu vào thành một véctơ đặc trưng n chiều. Mỗi chiều phản ánh một đặc trưng của ảnh. Trích chọn đặc trưng là bước rất quan trọng ảnh hưởng trực tiếp đến kết quả của một hệ thống nhận dạng nói chung, hệ thống nhận dạng ảnh lá lúa bệnh nói riêng. Hiện nay có rất nhiều ph...

show abstract

“…Để làm dữ liệu đầu vào cho giải thuật máy học SVM, nghiên cứu đề xuất sử dụng mô hình "bag of words" [9].…”

Section: -địNh Vị Các đIểm đặC Biệt (Keypoint Localization)unclassified

Section: ) Mô Hình Bag Of Words (Bow)unclassified

Giải Pháp Nhận Dạng Bệnh Trên Lúa Từ Thiết Bị Di Động Thông Minh

Hòa¹,

Phương²,

Thai-Nghe³

2017

Fair - Nghiên Cứu Cơ Bản Và Ứng Dụng Công Nghệ Thông Tin - 2016

View full text Add to dashboard Cite

show abstract

“…The visual words denote local features extracted from the images and the vocabulary is learnt task-specifically from a training database [10][11].…”

Section: Local Histogram Of Visual Wordsmentioning

confidence: 99%

Automatic Classification for Various Images Collections Using Two Stages Clustering Method

Cho¹,

Na²,

Choi³

et al. 2013

OJAppS

View full text Add to dashboard Cite

In this paper, we propose an automatic classification for various images collections using two stage clustering method. Here, we have used global and local image features. First, we review about various types of feature vector that is suitable to represent local and global properties of images, and similarity measures that can be represented an affinity between these images. Second, we consider a clustering method for image collection. Here, we first build a coarser clustering by partitioning various images into several clusters using the flexible Mean shift algorithm and K-mean clustering algorithm. Second, we construct dense clustering of images collection by optimizing a Gaussian Dirichlet process mixture model taking initial clusters as given coarser clustering. Finally, we have conducted the comparative experiments between our method and existing methods on various images datasets. Our approach has significant advantage over existing techniques. Besides integrating temporal and image content information, our approach can cluster automatically photographs without some assumption about number of clusters or requiring a priori information about initial clusters and it can also generalize better to different image collections.

show abstract

“…Early approaches design their classification scheme based on manually tweaked heuristics, while latter approach use statistical classifiers such as Neural Networks or Support Vector Machines. However, none of them have used topic models yet with the single exception of [3]. Thus, there is a need to evaluate topics models for adult content recognition.…”

Section: Introductionmentioning

confidence: 99%

Filtering adult image content with topic models

Lienhart

Hauke

2009

2009 IEEE International Conference on Multimedia and Expo

View full text Add to dashboard Cite

Protecting children from exposure to adult content has become a serious problem in the real world. Current statistics show that, for instance, the average age of first Internet exposure to pornography is 11 years, that the largest consumer group of Internet pornography is the age group of 12-to-17-year-olds and that 90% of the 8-to-16-year-olds have viewed porn online. To protect our children, effective algorithms for detecting adult images are needed. In this research we evaluate the use of probabilistic Latent Semantic Analysis (pLSA) for this task. We will show that topic models based on pLSA can detect adult content with a correct positive rate of 92.7%, while only showing off a false positive rate of 1.9%. Even when using grayscale images only, a correct positive rate of 90.8% at a false positive rate of 2% can be achieved.

show abstract

Bag-of-visual-words models for adult image classification and filtering

Cited by 138 publications

References 6 publications

Giải Pháp Nhận Dạng Bệnh Trên Lúa Từ Thiết Bị Di Động Thông Minh

Giải Pháp Nhận Dạng Bệnh Trên Lúa Từ Thiết Bị Di Động Thông Minh

Automatic Classification for Various Images Collections Using Two Stages Clustering Method

Filtering adult image content with topic models

Contact Info

Product

Resources

About