• กองส่งเสริมการวิจัยและบริการวิชาการ มหาวิทยาลัยมหาสารคาม
  • 04-3754-416 (1754)
  • English

บทความ

ชื่อเรื่อง การศึกษาเปรียบเทียบระหว่างวิธีการหาคุณลักษณะเฉพาะพื้นที่และวิธีการเรียนรู้เชิงลึกสำหรับการค้นคืนรูปภาพลายผ้าไหม
Title Comparative Study Between Local Descriptors and Deep Learning for Silk Pattern Image Retrieval
ผู้แต่ง นัธทวัฒน์ รักสะอาด, โอฬาริก สุรินต๊ะ
Authors Nattawat Raksaard, Olarik Surinta
บทคัดย่อ

      งานวิจัยฉบับนี้มีจุดประสงค์เพื่อการศึกษาเปรียบเทียบระหว่างวิธีการหาคุณลักษณะพิเศษเฉพาะพื้นที่ และโครงข่ายประสาท เทียมแบบคอนโวลูชัน (CNN) สำหรับการค้นคืนรูปภาพลายผ้าไหมไทย วิธีการหาคุณลักษณะพิเศษเฉพาะพื้นที่ ถูกนำมาเพื่อ เปรียบเทียบในการสร้างข้อมูลลักษณะพิเศษ ประกอบด้วย วิธี Histogram of Oriented Gradients และวิธี Scale-Invariant Feature Transform ดังนั้น ข้อมูลลักษณะพิเศษจะถูกส่งไปเพื่อคำนวณร่วมกับวิธี K-Nearest Neighbor (KNN) และวิธี Support Vector Machine นอกไปจากนั้น งานวิจัยฉบับนี้ได้ทำการปรับปรุงโครงสร้างของวิธี CNN ซึ่งประกอบด้วยโครงสร้างแบบ LeNet-5 และ AlexNet โดยโครงสร้างแบบ LeNet-5 ได้ปรับปรุงโครงสร้างด้วยการเพิ่มจำนวนของโหนดในชั้นเชื่อมโยงสมบูรณ์ และ ปรับปรุงโครงสร้างของ AlexNet ปรับปรุงโดยลดขนาดของโหนดในชั้นเชื่อมโยงสมบูรณ์ สุดท้ายแล้ว ประเมินประสิทธิภาพ ระหว่างวิธีการหาคุณลักษณะพิเศษเฉพาะพื้นที่ วิธี CNNs และวิธี CNNs ที่ได้ปรับปรุงโครงสร้างใหม่ จากการทดลองพบว่า วิธี การหาคุณลักษณะพิเศษเฉพาะพื้นที่เมื่อนำไปคำนวณร่วมกับวิธี KNN มีประสิทธิภาพสูงกว่าวิธี CNN

คำสำคัญ วิธีการหาคุณลักษณะพิเศษเฉพาะพื้นที่, ขั้นตอนวิธีการคำนวณเพื่อนบ้านใกล้ที่สุด k ตำแหน่ง, ซัพพอร์ตเว็กเตอร์ แมชชีน, การเรียนรู้เชิงลึก, โครงข่ายประสาทเทียมแบบคอนโวลูชัน
Abstract

     This paper aims to do a comparative study of local feature descriptor techniques and convolutional neural networks (CNN) for retrieving Thai silk pattern images. Two feature descriptor techniques, the histogram of oriented gradients and the scale-invariant feature transform, are compared to extract feature vectors from the silk pattern images. We combined the feature vectors extracted from feature descriptor techniques with k-nearest neighbors (KNN) and support vector machine. Then we modified CNN architectures: LeNet-5 and AlexNet. The LeNet-5 was modified by increasing the number of neurons in each layer of the fully connected layers. The AlexNet architecture was modified by reducing the neurons in each layer of the fully connected layers. Finally, we evaluated the local descriptor techniques, the existing CNN architectures and our modified CNN architectures on Thai silk pattern dataset. The results of the study showed that the local descriptor techniques combined with KNN algorithm significantly outperform the CNN methods.

 

Keywords local descriptor technique, k-nearest neighbors algorithm, support vector machine, deep learning, convolutional neural networks
รายละเอียดวารสาร