| LEADER |
03781nam a22002537a 4500 |
| 001 |
1805628 |
| 041 |
|
|
|a eng
|
| 044 |
|
|
|b ليبيا
|
| 100 |
|
|
|9 576895
|a Almantsri, Ahmed
|e Author
|
| 245 |
|
|
|a A Comparison of Three different Techniques for Object Recognition
|
| 260 |
|
|
|b جامعة المرقب - كلية الآداب والعلوم قصر الأخيار
|c 2020
|g يونيو
|
| 300 |
|
|
|a 223 - 232
|
| 336 |
|
|
|a بحوث ومقالات
|b Article
|
| 520 |
|
|
|a يساعد التطور السريع في تطبيقات الحاسوب على تحسين كفاءة تقنيات معالجة الصور مثل التعرف على الأشياء من الوسائط المتعددة. خلال العقود القليلة الماضية، تم تقديم العديد من التقنيات من خلال إشراك المجالات المتعددة التخصصات المعتمدة على علوم الحاسوب كأدوات تصنيف. في هذه الورقة، استخدمنا ثلاث تقنيات مختلفة لتصنيف الصور والتعرف عليها Earth Mover's Distance (EMD), Support Vector Machines (SVM), K-Nearest Neighbors (KNN). تتطلب هذه التقنيات استخراج المميزات المتعلقة بالأشياء، ولهذا الغرض قمناخوارزمية Histogram of oriented gradients (HOG). فيما يتعلق بمجموعات البيانات، فقد استخدامنا مجموعة بيانات COIL-100 كمجموعة بيانات معروفة لتجارب التعرف على الأشياء. قمنا بتقسيم مجموعة البيانات إلى سبع مجموعات فرعية. ثم قمنا باختبار ومقارنة الخوارزميات الثلاثة باستخدام هذه المجموعات الفرعية بشكل فردي. أخيرًا، قارنا النتائج ووجدنا أن SVM وEMD أكثر كفاءة على الرغم من أننا استخدمنا مجموعة فرعية كبيرة بينما يتأثر KNN وتنخفض كفاءته عندما يزداد حجم مجموعة البيانات
|
| 520 |
|
|
|b The rapid change in computer applications helps improving the efficiency of image processing techniques such as object recognition from multimedia. During the last few decades, many techniques were introduced by involving the interdisciplinary fields of computer science as a classification tool. In this paper, we used three different image classifiers techniques K- Nearest Neighbors (KNN), Support Vector Machine (SVM), and Earth Mover's Distance (EMD). These techniques require feature extraction, such as the Histogram of Oriented Gradient (HOG) algorithm. Regarding the datasets, we used COIL-100 dataset as a well-known dataset for Object recognition experiments. We divided the dataset into seven subsets. Then, we tested and compared the three algorithms using these subsets individually. Finally, we compared the results and We found that SVM and EMD are more efficient even though we used a large subset while KNN is affected when the dataset gets larger.
|
| 653 |
|
|
|a علوم الحاسب الآلى
|a تطبيقات الحاسوب
|a تقنيات معالجة الصور
|a الوسائط المتعددة
|
| 692 |
|
|
|b Earth Mover's Distance
|b K-Nearest Neighbors
|b Support Vector Machine
|b Object Recognition
|b KNN
|b SVM
|b EMD
|
| 700 |
|
|
|9 576898
|a Sengul, Gokhan
|e Co-Author
|
| 700 |
|
|
|a Alhamrouni, Mohamed
|e Co-Author
|9 576897
|
| 773 |
|
|
|4 العلوم الإنسانية ، متعددة التخصصات
|6 Humanities, Multidisciplinary
|c 016
|e Journal of Humanities and Applied Sciences
|l 009
|m ع9
|o 0630
|s مجلة العلوم الإنسانية والتطبيقية
|v 000
|
| 856 |
|
|
|u 0630-000-009-016.pdf
|
| 930 |
|
|
|d y
|p y
|q n
|
| 995 |
|
|
|a HumanIndex
|
| 999 |
|
|
|c 1067260
|d 1067260
|
