Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Weight-Selection Strategy on Training Deep Neural Networks for Imbalanced Classification Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Gaussian Mixture Trees for One Class Classification in Automated Visual Inspection

verfasst von : Matthias Richter, Thomas Längle, Jürgen Beyerer

Erschienen in: Image Analysis and Recognition

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We present Gaussian mixture trees for density estimation and one class classification. A Gaussian mixture tree is a tree, where each node is associated with a Gaussian component. Each level of the tree provides a refinement of the data description of the level above. We show how this approach is applied to one class classification and how the hierarchical structure is exploited to significantly reduce computation time to make the approach suitable for real time systems. Experiments with synthetic data and data from a visual inspection task show that our approach compares favorably to flat Gaussian mixture models as well as one class support vector machines regarding both predictive performance and computation time.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Better Trajectory Shape Descriptor for Human Activity Recognition
Nächstes Kapitel Shadow Detection for Vehicle Classification in Urban Environments
Fußnoten
1
Diameter, density, area, convex area, compactness, extent, roundness, perimeter, and convex hull perimeter.
 
Literatur
1.
Malamas, E.N., Petrakis, E.G., Zervakis, M., Petit, L., Legat, J.D.: A survey on industrial vision systems, applications and tools. Image Vis. Comput. 21, 171–188 (2003)CrossRef
2.
3.
Yuan, M., Wegkamp, M.: Classification methods with reject option based on convex risk minimization. J. Mach. Learn. Res. 11, 111–130 (2010)MathSciNet
4.
Dubuisson, B., Masson, M.: A statistical decision rule with incomplete knowledge about classes. Pattern Recogn. 26, 155–165 (1993)CrossRef
5.
Chandola, V., Banerjee, A., Kumar, V.: Anomaly detection: a survey. ACM Comput. Surv. (CSUR) 41, 15 (2009)CrossRef
6.
Parzen, E.: On estimation of a probability density function and mode. Ann. Math. Stat. 33, 1065–1076 (1962)MathSciNetCrossRef
7.
Tax, D.M., Duin, R.P.: Support vector domain description. Pattern Recogn. Lett. 20, 1191–1199 (1999)CrossRef
8.
Schölkopf, B., Platt, J.C., Shawe-Taylor, J., Smola, A.J., Williamson, R.C.: Estimating the support of a high-dimensional distribution. Neural Comput. 13, 1443–1471 (2001)CrossRef
9.
Huang, G., Yang, Z., Chen, X., Ji, G.: An innovative one-class least squares support vector machine model based on continuous cognition. Knowl.-Based Syst. 123, 217–228 (2017)CrossRef
10.
Utkin, L.V., Zhuk, Y.A.: An one-class classification support vector machine model by interval-valued training data. Knowl.-Based Syst. 120, 43–56 (2017)CrossRef
11.
Khan, S.S., Madden, M.G.: One-class classification: taxonomy of study and review of techniques. Knowl. Eng. Rev. 29, 345–374 (2014)CrossRef
12.
Désir, C., Bernard, S., Petitjean, C., Heutte, L.: One class random forests. Pattern Recogn. 46, 3490–3506 (2013)CrossRef
13.
Vasconcelos, N., Lippman, A.: Learning mixture hierarchies. In: NIPS, pp. 606–612 (1998)
14.
Williams, C.K.: A MCMC approach to hierarchical mixture modelling. In: NIPS, pp. 680–686 (1999)
15.
Ram, P., Gray, A.G.: Density estimation trees. In: 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 627–635. ACM (2011)
16.
Criminisi, A., Shotton, J., Konukoglu, E.: Decision forests: a unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Found. Trends® Comput. Graph. Vis. 7, 81–227 (2012)CrossRef
17.
Breiman, L., Friedman, J., Stone, C.J., Olshen, R.A.: Classification and Regression Trees. CRC Press, Boca Raton (1984)
18.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, E.: Scikit-learn: machine learning in python. J. Mach. Learn. Res. 12, 2825–2830 (2011)MathSciNet
19.
Bezanson, J., Karpinski, S., Shah, V.B., Edelman, A.: Julia: a fast dynamic language for technical computing (2012)
20.
Richter, M., Maier, G., Gruna, R., Längle, T., Beyerer, J.: Feature selection with a budget. In: EECSS 2016, Budapest, Hungary, pp. 104.1–104.8. Avestia Publishing (2016)
21.
Richter, M., Längle, T., Beyerer, J.: Visual words for automated visual inspection of bulk materials. In: Machine Vision Applications, Tokyo, Japan, pp. 210–213 (2015)
Metadaten
Titel
Gaussian Mixture Trees for One Class Classification in Automated Visual Inspection
verfasst von
Matthias Richter
Thomas Längle
Jürgen Beyerer
Copyright-Jahr
2017
Buch
Image Analysis and Recognition

Print ISBN: 978-3-319-59875-8

Electronic ISBN: 978-3-319-59876-5

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-59876-5_38

Premium Partner

    Bildnachweise