Ranking evaluation functions to improve genetic feature selection in content-based image retrieval of mammograms

Silva, Sérgio Francisco da; Traina, Agma J. M.; Ribeiro, Marcela Xavier; Neto, João Dias de Toledo Arruda; Traina, Caetano

doi:10.1109/cbms.2009.5255397

Cited by 4 publications

(4 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Numerous approaches have been applied to feature selection, e.g. generic algorithms (Van Coillie et al, 2007;da Silva et al, 2009;Lee et al, 2006), artificial neural network (ANN) (Saravanan and Ramachandran, 2010;Chakrabarti, 2008;Glezakos et al, 2009), Tabu Theory (Wang et al, 2010;Wang et al, 2009), branch-and-bound algorithm (Nakariyakul and Casasent, 2007;Chen, 2003), Fuzzy C-means Algorithm (Francesco, 2003) and SOM (Laaksonen et al, 2004). However, these approaches are not used for processing qualitative information.…”

Section: Introductionmentioning

confidence: 98%

Feature extraction using rough set theory in service sector application from incremental perspective

Huang

Tseng

Tang

2016

Computers & Industrial Engineering

View full text Add to dashboard Cite

In service industry application, there is vague and qualitative information required to be processed properly, for example, to identify customer preferences in order to provide adequate services. From literature, Rough Set Theory (RST) has been indicated to be one of promising approaches to cope with vagueness in a large scale database. Basically, the rough set approach integrates learning-from-example techniques, extracts rules from a data set of interest, and discovers data regularities. Most of the existing RS based approaches are able to implement rule induction but it is very time consuming from computation perspective particularly from a large database. To date, there is a demand to generate and analyze business decision rules based on dynamical data sets and conclude such rules on the daily basis in the service industry. Therefore, in this study, an Incremental Weight Incorporated Rule Identification (IWIRI) algorithm is proposed to fulfill such demand. The proposed approach is proficient to efficiently process in-coming data (objetcs) and generate updated decision rules without re-computation efforts in the database. Identification of features based on the customer's preference and implementation of the proposed algorithm are summarized in the case study. This paper forms the basis for solving many other similar problems that occur in service industries.

show abstract

Section: Introductionmentioning

confidence: 98%

Feature extraction using rough set theory in service sector application from incremental perspective

Huang

Tseng

Tang

2016

Computers & Industrial Engineering

View full text Add to dashboard Cite

show abstract

“…Algoritmo 1: Gerador de função de aptidão a partir de consultas kNN e uma função de avaliação de ranking F. Entrada: Conjunto de dados de treinamento Q; cromossomo C. Saída: Aptidão do cromossomo C (f C ). 1: score = 0; 2: para todo q ∈ Q faça: A primeira função da família F cé então dada por: Os resultados apresentados neste capítulo foram publicados na forma de artigos científicos no IEEE International Symposium on Computer-Based Medical Systems [104] e no periódico Decision Support Systems (Elsevier ) [103].…”

Section: Funções De Aptidãounclassified

“…Improving the ranking quality of medical image retrieval using a genetic feature selection method [103] Decision Support Systems -Elsevier Extensão do artigo [104].…”

mentioning

confidence: 99%

“…Fazendo uma analogia com a natureza, não ocorre evolução sem diversidade, poisé necessário que os cromossomos tenham diferentes características genéticas e, consequentemente, diferentes graus de aptidão, para que possa ocorrer seleção natural.3.2.3 Medida de AptidãoA medida de aptidão indica o quão bem adaptado está cada cromossomo da população ao ambiente. Ao longo dos estudos sobre GAs, pesquisas têm mostrado que a especificação de uma medida de aptidão apropriadaé crucial para o desempenho das aplicações.É essencial que a medida de aptidão seja bastante representativa, e diferencie na proporção correta, as soluções promissoras das menos promissoras (ou inadequadas)[45,97,104]. Se houver pouca precisão na avaliação, soluções promissoras podem ser perdidas durante a execução do GA, que gastará mais tempo explorando soluções pouco promissoras, ou pior, pode ser encontrada uma solução de pouca qualidade.…”

unclassified

See 1 more Smart Citation

Seleção de características por meio de algoritmos genéticos para aprimoramento de rankings e de modelos de classificação

Silva¹

View full text Add to dashboard Cite

Sistemas de recuperação de imagens por conteúdo (Content-based image retrieval-CBIR) e de classificação dependem fortemente de vetores de características que são extraídos das imagens considerando critérios visuais específicos.É comum que o tamanho dos vetores de características seja da ordem de centenas de elementos. Conforme se aumenta o tamanho (dimensionalidade) do vetor de características, também se aumentam os graus de irrelevâncias e redundâncias, levando ao problema da "maldição da dimensionalidade". Desse modo, a seleção das características relevantesé um passo primordial para o bom funcionamento de sistemas CBIR e de classificação. Nesta tese são apresentados novos métodos de seleção de características baseados em algoritmos genéticos (do inglês genetic algorithms-GA), visando o aprimoramento de consultas por similaridade e modelos de classificação. A família Fc ("Fitness coach") de funções de avaliação proposta vale-se de funções de avaliação de ranking, para desenvolver uma nova abordagem de seleção de características baseada em GA que visa aprimorar a acurácia de sistemas CBIR. A habilidade de busca de GA considerando os critérios de avaliação propostos (família Fc) trouxe uma melhora de precisão de consultas por similaridade de até 22% quando comparado com métodos wrapper tradicionais para seleção de características baseados em decision-trees (C4.5), naive bayes, support vector machine, 1-nearest neighbor e mineração de regras de associação. Outras contribuições desta tese são dois métodos de seleção de características baseados em filtragem, com aplicações em classificação de imagens, que utilizam o cálculo supervisionado da estatística de silhueta simplificada como função de avaliação: o silhouette-based greedy search (SiGS) e o silhouette-based genetic algorithm search (SiGAS). Os métodos propostos superaram os métodos concorrentes na literatura (CFS, FCBF, ReliefF, entre outros).É importante também ressaltar que o ganho em acurácia obtido pela família Fc, e pelos métodos SiGS e SiGAS propostos proporcionam também um decréscimo significativo no tamanho do vetor de características, de até 90%.

show abstract

A Review of Wrapper Feature Selection in Content Based Image Retrieval Systems

Lotfabadi

Zhan

Tabrizi

2018

Proceedings of the 2018 10th International Conference on Machine Learning and Computing

View full text Add to dashboard Cite

Ranking evaluation functions to improve genetic feature selection in content-based image retrieval of mammograms

Cited by 4 publications

References 17 publications

Feature extraction using rough set theory in service sector application from incremental perspective

Feature extraction using rough set theory in service sector application from incremental perspective

Seleção de características por meio de algoritmos genéticos para aprimoramento de rankings e de modelos de classificação

A Review of Wrapper Feature Selection in Content Based Image Retrieval Systems

Contact Info

Product

Resources

About