Constructing support vector machine ensemble

Kim, Hyun-Chul; Pang, Shaoning; Je, Hong-Mo; Kim, Daijin; Bang, Sung Yang

doi:10.1016/s0031-3203(03)00175-4

Cited by 432 publications

(197 citation statements)

References 13 publications

Supporting

Mentioning

192

Contrasting

Unclassified

Order By: Relevance

“…In the classification of baggage containing handguns they reported that the method does not work well in isolation but results can be improved using the extra information available from the colour image (indicating material type). In an extension of [29], Turcsany et al [30] present a BoW model using the Speeded-Up Robust Features (SURF) [31] and a Support Vector Machine (SVM) [32] classifier for automated object recognition within 2D X-ray baggage imagery. Correct classification rates in excess of 99% and a false positive rate of approximately 4% are demonstrated on a diverse dataset.…”

Section: Introductionmentioning

confidence: 99%

Object classification in 3D baggage security computed tomography imagery using visual codebooks

Flitton

Mouton

Breckon

2015

Pattern Recognition

View full text Add to dashboard Cite

Use policyThe full-text may be used and/or reproduced, and given to third parties in any format or medium, without prior permission or charge, for personal research or study, educational, or not-for-pro t purposes provided that:• a full bibliographic reference is made to the original source • a link is made to the metadata record in DRO • the full-text is not changed in any way The full-text must not be sold in any format or medium without the formal permission of the copyright holders.Please consult the full DRO policy for further details. AbstractWe investigate the performance of a Bag of (Visual) Words ( Optimal performance is achieved using the DH and DGH descriptors in conjunction with an uncertainty assignment methodology. Successful detection rates in excess of 97% for handguns and 89% for bottles and false-positive rates of approximately 2-3% are achieved. We demonstrate that the underlying imaging modality and the irrelevance of illumination and scale invariance within the transmission imagery context considered here, result in the favourable performance of simpler density histogram descriptors (DH, DGH) over 3D extensions of the well-established SIFT and RIFT feature descriptor approaches.

show abstract

Section: Introductionmentioning

confidence: 99%

Object classification in 3D baggage security computed tomography imagery using visual codebooks

Flitton

Mouton

Breckon

2015

Pattern Recognition

View full text Add to dashboard Cite

show abstract

“…The use of multiclass in ensemble SVM shows better recognition performance than using single SVM [24]. In this paper ensemble SVM works based on boosting technique and it does training to each SVM with different training samples that will be chosen according to the manner in which the probability of distribution is updated.…”

Section: Proposed Ensemble Support Vector Machine With Self Organizinmentioning

confidence: 99%

“…The boosting algorithm used in ensemble is adaboost algorithm which selects different training samples for learning. Adaboost algorithm [24] is to build a strong classifier by linear combination of weak classifier ht(x).…”

Section: Proposed Ensemble Support Vector Machine With Self Organizinmentioning

confidence: 99%

Speech Query Recognition for Tamil Language Using Wavelet and Wavelet Packets

Iswarya¹,

Radha²

2015

J Inf Process Syst

View full text Add to dashboard Cite

Speech recognition is one of the fascinating fields in the area of Computer science. Accuracy of speech recognition system may reduce due to the presence of noise present in speech signal. Therefore noise removal is an essential step in Automatic Speech Recognition (ASR) system and this paper proposes a new technique called combined thresholding for noise removal. Feature extraction is process of converting acoustic signal into most valuable set of parameters. This paper also concentrates on improving Mel Frequency Cepstral Coefficients (MFCC) features by introducing Discrete Wavelet Packet Transform (DWPT) in the place of Discrete Fourier Transformation (DFT) block to provide an efficient signal analysis. The feature vector is varied in size, for choosing the correct length of feature vector Self Organizing Map (SOM) is used. As a single classifier does not provide enough accuracy, so this research proposes an Ensemble Support Vector Machine (ESVM) classifier where the fixed length feature vector from SOM is given as input, termed as ESVM_SOM. The experimental results showed that the proposed methods provide better results than the existing methods.

show abstract

“…SVM, yüksek boyutlu fakat az sayıda veri içeren uygulamalarda da başarılıdır [14]. Bu özelliklerinden dolayı SVM; veri madenciliği [15], müşterilerin dolandırıcılık tespiti [16] ve görüntü sınıflandırma [17] gibi birçok uygulama alanında kullanılmıştır. DNA diziliminin ekson ve intron sınıflandırmasında ayrık fourier yöntemi ile elde edilen sonuçlar SVM ile karşılaştırılmıştır [18].…”

Section: Gi̇ri̇ş (Introduction)unclassified

Türkçe İçi̇n Ardişik Şartli Rastgele Alanlarla Bağlilik Ayriştirma

Bilgin¹,

Amasyalı²

2017

Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

Şartlı rastgele alanlar ile sekans etiketleme  Türkçe için bağlılık ayrıştırma  Makine öğrenmesinin doğal dil işlemede kullanımı Makale Bilgileri ÖZET Geliş: 04.03.2016 Kabul: 15.08.2016 DOI:Sekans etiketleme bir giriş dizisine karşılık bir çıkış dizisinin üretimidir. Giriş ve çıkış dizisinin içeriklerine göre doğal dil işlemenin birçok konusu (varlık isim tanıma, makine çevirisi, morfolojik analiz, cümleleri öğelerine ayırma vb.) sekans etiketleme olarak tanımlanabilir. Bağlılık ayrıştırması, bir cümle içerisindeki sözcükler arasındaki ilişkilerin ve ilişki türlerinin belirlenmesidir ve bir cümlenin anlamsal analizinin yapılabilmesi için şarttır. Bağlılık ayrıştırması sekans etiketleme problemi olarak tanımlandığında iki çıkış dizisinin (ilişki türü, ilişkili kelime) birden üretilmesi gerekmektedir. Bizim önerimiz, özellikle Sekans etiketleme problemlerinin çözümünde sıklıkla kullanılan Şartlı Rastgele Alanların bağlılık ayrıştırması problemi içinde kullanılabilir olduğudur. Ancak Şartlı Rastgele Alanlar tek çıkış üreten bir yöntemdir. Bu zorluğu aşabilmek için iki çıkışlı (Bağlılık Türü ve Bağlanılan Kelime) bir problem olan Bağlılık Ayrıştırması iki parçaya bölünerek çözülmüştür. Ardından elde edilen sonuçlar birleştirilerek sistemin çıktısı olarak verilmiştir. Gerçekleştirilen bu çalışma ile Türkçe için en yüksek bağlılık ayrıştırması sonuçlarına ulaşılmıştır.

show abstract

Constructing support vector machine ensemble

Cited by 432 publications

References 13 publications

Object classification in 3D baggage security computed tomography imagery using visual codebooks

Object classification in 3D baggage security computed tomography imagery using visual codebooks

Speech Query Recognition for Tamil Language Using Wavelet and Wavelet Packets

Türkçe İçi̇n Ardişik Şartli Rastgele Alanlarla Bağlilik Ayriştirma

Contact Info

Product

Resources

About