Learning a Backpropagation Neural Network With Error Function Based on Bhattacharyya Distance for Face Recognition

Belghini, Naouar; Zarghili, Arsalane; Kharroubi, Jamal; Majda, Aicha

doi:10.5815/ijigsp.2012.08.02

Cited by 4 publications

(3 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Os resultados com os 4 conjuntos de faces confirmam a expectativa do autor das bases em relação à ordem de dificuldade para classificação devido à qualidade da aquisição, chegando a 99,78% na base com menor grau de variação e 93,75% no caso da base com mais dificuldade (Spacek, 2007). Para efeito de comparação, Belghini et al (2012) alcançam 98% de reconhecimento com imagens das bases faces94, faces95 e grimace. Em outro trabalho, Toygar and Acan (2003) utilizaram o conjunto completo (faces94, faces95, fa-ces96 e grimace) e obtiveram 93% de reconhecimento com a técnica de PCA.…”

Section: Testes E Validaçãounclassified

“…Assim sendo, para essa pesquisa foram utilizadas duas técnicas de IA: redes neurais artificiais (RNAs) e lógica fuzzy em conjunto com técnicas de processamento de imagens visando aplicação em automação e instrumentação em ambiente industrial ou agrícola. A combinação destas técnicas tem apresentado resultados promissores como visto em: Beluco et al (2015); Ros and Pasero (2013); Taghadomi-Saberi et al (2014); Geetha (2015); Bouzalmat et al (2011); Silva et al (2014); Soares and da Silva (2013); Yen et al (2019); Sabanci et al (2017); Gunes and Badem (2016); Tyryshkin and Belyaev (2016); Rao et al (2018).…”

Section: Introductionunclassified

See 1 more Smart Citation

PINFI – Ferramenta para classificação de imagens com redes neurais artificiais e lógica fuzzy

Suptitz

Frozza

Molz

2020

RBCA

View full text Add to dashboard Cite

Este artigo apresenta uma ferramenta de modelagem para classificação de imagens utilizando redes neuraisartificiais (RNA) e lógica difusa (fuzzy), desenvolvida com foco no cenário industrial. O projeto desta ferramenta iniciou com um levantamento prévio de ferramentas de modelagem de RNA e neuro-fuzzy e de uma pesquisa do tipo survey na qual se identificou que as indústrias de uma determinada região desconhecem ou não sabem como aplicar estas tecnologias em seus processos. A partir disso, foi desenvolvida a ferramenta denominada Processador de Imagens Neuro-Fuzzy para a Indústria (PINFI) com base nas demandas do survey e integrando bibliotecas de software de código aberto pesquisadas no levantamento bibliográfico. Esta ferramenta permite a modelagem de projetos em cinco etapas: Aquisição das imagens; pré-processamento; bloco de fuzzificação; modelagem da RNA; e a apresentação dos resultados (saída). O PINFI foi validado em termos de ergonomia e usabilidade de software atendendo a 91% dos requisitos avaliados. Quanto à acurácia do classificador, alcançou taxas de reconhecimento de 93% a 100% nas bases avaliadas. Estas bases compreenderam, imagens de folhas de tabaco, rodas de veículos e faces humanas, o que demonstra que o PINFI tem potencial para ser utilizado em demandas industriais e, também, em aplicações diversificadas.

show abstract

Section: Testes E Validaçãounclassified

Section: Introductionunclassified

PINFI – Ferramenta para classificação de imagens com redes neurais artificiais e lógica fuzzy

Suptitz

Frozza

Molz

2020

RBCA

View full text Add to dashboard Cite

show abstract

“…In addition, weight sharing through assigning identical set of weights to each node in a group is also researched and tried. All efforts aimed at improving network design and reducing size and training times without affecting its generalization [1]- [4].…”

Section: Introductionmentioning

confidence: 99%

Disparity in Intelligent Classification of Data Sets Due to Dominant Pattern Effect (DPE)

Iskandarani¹

2015

JILSA

View full text Add to dashboard Cite

A hypothesis of the existence of dominant pattern that may affect the performance of a neural based pattern recognition system and its operation in terms of correct and accurate classification, pruning and optimization is assumed, presented, tested and proved to be correct. Two sets of data subjected to the same ranking process using four main features are used to train a neural network engine separately and jointly. Data transformation and statistical pre-processing are carried out on the datasets before inserting them into the specifically designed multi-layer neural network employing Weight Elimination Algorithm with Back Propagation (WEA-BP). The dynamics of classification and weight elimination process is correlated and used to prove the dominance of one dataset. The presented results proved that one dataset acted aggressively towards the system and displaced the first dataset making its classification almost impossible. Such modulation to the relationships among the selected features of the affected dataset resulted in a mutated pattern and subsequent re-arrangement in the data set ranking of its members.

show abstract

Neural Gen Feature Selection for Supervised Learning Classifier

Abdulameer¹,

Abdullah

Othman

2014

RJASET

View full text Add to dashboard Cite

Learning a Backpropagation Neural Network With Error Function Based on Bhattacharyya Distance for Face Recognition

Cited by 4 publications

References 10 publications

PINFI – Ferramenta para classificação de imagens com redes neurais artificiais e lógica fuzzy

PINFI – Ferramenta para classificação de imagens com redes neurais artificiais e lógica fuzzy

Disparity in Intelligent Classification of Data Sets Due to Dominant Pattern Effect (DPE)

Neural Gen Feature Selection for Supervised Learning Classifier

Contact Info

Product

Resources

About