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:
Office Monitoring and Surveillance System Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

KNN and Linear SVM Based Object Classification Using Global Feature of Image

verfasst von : Madhura M. Bhosale, Tanuja S. Dhope, Akshay P. Velapure

Erschienen in: Techno-Societal 2020

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Machine learning plays a vital role in Object classification due to its various applications viz autonomous vehicle, driverless cars. In our research work we have considered machine learning algorithm, linear support vector machine (SVM) and K-Nearest Neighborhood (KNN) for classification of object like car and truck which are essential for Autonomous vehicle applications. We have performed RGB to gray conversion followed by histogram of gradient (HOG) for feature extraction before applying to KNN and SVM for classification. The dataset required for the experimentations for training and testing are utilized from kaggle website and the performance of SVM and KNN have been evaluated on these testing data. Results show that SVM outperforms the KNN providing accuracy of 71.3%.

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 Content-Based Image Retrieval Using Color Histogram and Bit Pattern Features
Nächstes Kapitel MURA: Bone Fracture Segmentation Using a U-net Deep Learning in X-ray Images
Literatur
1.
Chen J, Lei B, Song Q, Ying H, Chen DZ, Wu J (2020 Proceedings of the IEEE/CVF. In: Conference on computer vision and pattern recognition (CVPR), pp 392–401
2.
Chen S, Tan X, Wang B, Lu Hu X, Fu Y (2020) Reverse attention based residual network for salient object detection. IEEE TIP 29:3763–3776
3.
Fan DP, Lin Z, Ji Z, Fu H, Cheng M (2020) Taking a deeper look at co-salient object detection. In: CVPR, pp 2919–2929
4.
Banerji S, Verma A, Liu C (2012) Cross disciplinary biometric systems. LBP and color descriptors for image classification. Springer, Berlin, pp 205–225
5.
Yu J, Qin Z, Wan T, Zhang X (2013) Feature integration analysis of bag of features model for image retrieval. Neurocomputing 120:355–364
6.
Miao J, Niu L (2016) A survey on feature selection. Procedia Comput Sci 91:919–926CrossRef
7.
Lowe DG (2004) Distinctive image features from scale-invariant keypoints. Int J Comput Vision 60(2):91–110CrossRef
8.
9.
Ledoux A, Losson O, Macaire L (2016) Color local binary patterns:compact descriptors for texture classification. J Electron Imaging 25(6):061404CrossRef
10.
Bay H (2008) Speeded-up robust features (SURF). Comput Vis Image Underst 110(3):346–359CrossRef
11.
Ojala T, Pietikäinen M, Harwood D (1996) A comparative study of texturemeasures with classification based on featured distributions. Pattern Recognit 29(1):51–59CrossRef
12.
Shuang B, Zhaohong L, Jianjun H (2017) Learning two-pathway convolutional neural networks for categorizing scene images. Multimed Tools Appl 76(15):16145–16162CrossRef
13.
Felzenszwalb P, Girshick R, McAllester D, Ramanan D (2010) Object detection with disciminatively trained part-based models. IEEE Trans Pattern Anal Mach Intell 32:1627–1645
14.
Lee H, Grosse R, Ranganath R, Ng A (2009) Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations. In: Proceedings annual international conference on machine learning, pp 609–616
15.
Mohan A, Papageorgiou C, Poggio T (2001) Example-based object detection in images by components. PAMI 23(4):349–361CrossRef
16.
Papageorgiou C, Poggio T (2000) A trainable system for object detection. IJCV 38(1):15–33CrossRef
17.
Viola P, Jones MJ, Snow D (2003) Detecting pedestrians using patterns of motion and appearance. In: The 9th ICCV, Nice, France, vol 1, pp 734–741
18.
Schneiderman H, Kanade T (2004) Object detection using the statistics of parts. IJCV 56(3):151–177.
19.
Gavrila DM (1999) The visual analysis of human movement: A survey. CVIU 73(1):82–98MATH
20.
Foresti GL, Regazzoni C (2000) A hierarchical approach to feature extraction and grouping. IEEE Trans Image Proc 9(6):1056–1074
21.
Bian X, Chen C, Tian L, Du Q (2017) Fusing local and global features for high-resolution scene classification. IEEE J Sel Top Appl Earth Observations Remote Sens 10(6):2889–2901CrossRef
22.
Li L, Feng L, Wu J, Sun M, Liu S (2018) Exploiting global and local features for image retrieval. J Central South Univ 25(2):259–276
23.
Sakai Y, Oda T, Ikeda M, Barolli L (2015) An object tracking system based on SIFT and SURF feature extraction methods. In: 18th International conference on network-based information systems
24.
Guo Z, Zhang L, Zhang D (2010) Rotation invariant texture classification using LBP variance (LBPV) with global matching. Pattern Recognition 43(3):706–719
25.
Gavrila DM, Giebel J, Munder S (2004) Vision-based pedestrian detection: the protector+ system. Proceeding of the IEEE Intelligent Vehicles Symposium, Parma, Italy
26.
Dalal N, Triggs B (2005) Histograms of oriented gradients for human detection. In: Proceedings of the 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05), vol 05, pp. 1063–6919
27.
Metadaten
Titel
KNN and Linear SVM Based Object Classification Using Global Feature of Image
verfasst von
Madhura M. Bhosale
Tanuja S. Dhope
Akshay P. Velapure
Copyright-Jahr
2021
Buch
Techno-Societal 2020

Print ISBN: 978-3-030-69920-8

Electronic ISBN: 978-3-030-69921-5

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-69921-5_51

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise