[论文解读] A two-pass fuzzy-geno approach to pattern classification

Subhadip Basu, Mahantapas Kundu+2 more|arXiv (Cornell University)|Oct 15, 2014

Image Retrieval and Classification Techniques参考文献 8被引用 4

一句话总结

本文提出了一种两阶段模糊-基因方法用于二维模式分类，通过优化的模糊划分细化粗分类决策，从而提高识别准确率。首先，遗传算法在训练图像上优化水平和垂直模糊划分；随后，通过相似性度量对未知模式进行分类，并在第二阶段对特定区域的划分进行细化，使手写数字数据集（500个样本）的识别率从86.2%提升至90.4%。

ABSTRACT

The work presents an extension of the fuzzy approach to 2-D shape recognition [1] through refinement of initial or coarse classification decisions under a two pass approach. In this approach, an unknown pattern is classified by refining possible classification decisions obtained through coarse classification of the same. To build a fuzzy model of a pattern class horizontal and vertical fuzzy partitions on the sample images of the class are optimized using genetic algorithm. To make coarse classification decisions about an unknown pattern, the fuzzy representation of the pattern is compared with models of all pattern classes through a specially designed similarity measure. Coarse classification decisions are refined in the second pass to obtain the final classification decision of the unknown pattern. To do so, optimized horizontal and vertical fuzzy partitions are again created on certain regions of the image frame, specific to each group of similar type of pattern classes. It is observed through experiments that the technique improves the overall recognition rate from 86.2%, in the first pass, to 90.4% after the second pass, with 500 training samples of handwritten digits.

研究动机与目标

• 提升二维形状识别准确率，超越现有模糊分类方法。
• 通过引入基于特定区域的模糊划分的细化阶段，解决粗分类的局限性。
• 通过遗传算法优化模糊划分，以获得更优的模式表示。
• 开发一种相似性度量，实现未知模式与类别模型之间的稳健比较。
• 在真实世界数据集上，证明两阶段策略在提升分类性能方面的有效性。

提出的方法

• 使用遗传算法优化，对每种类别的样本图像在水平和垂直方向上生成模糊划分。
• 通过相似性度量将未知模式的模糊表示与所有类别的模型进行比较，生成粗分类决策。
• 在第二阶段，对相似模式类别组的特定区域模糊划分进行重新优化，以细化分类决策。
• 最终分类通过使用重新优化的划分和相似性度量，对粗分类结果进行细化来确定。
• 该方法利用模糊-基因混合方法，结合模糊逻辑进行表示，遗传算法进行优化。
• 该方法在包含500个训练样本的手写数字数据集上进行了评估。

实验结果

研究问题

• RQ1 两阶段策略是否能提升模糊模式识别系统中的分类准确率？
• RQ2 使用特定区域模糊划分对粗分类决策进行细化的效果如何？
• RQ3 通过遗传算法优化的模糊划分在多大程度上提升了模式模型的表示能力？
• RQ4 专用相似性度量对两阶段框架中分类性能的影响如何？
• RQ5 所提出的方法是否在手写数字识别任务中优于单阶段模糊分类方法？

主要发现

• 两阶段模糊-基因方法使整体识别率从第一阶段的86.2%提升至细化后的90.4%。
• 第二阶段显著提高了分类准确率，通过细化模糊或错误的粗分类决策。
• 在特定区域图像上优化的模糊划分增强了分类模型的判别能力。
• 使用专用相似性度量实现了对模糊模式表示与类别模型之间有效比较。
• 该方法在包含500个训练样本的真实世界手写数字数据集上表现出一致的性能提升。
• 结果证实了将基于遗传算法的优化与模糊逻辑结合在两阶段分类框架中的有效性。