基于GLCM特征组合的机器学习目标检测提取模型优化
计算机视觉与模式识别
2024-04-09 v1
摘要
在现代技术时代，使用灰度共生矩阵(GLCM)提取方法的目标检测在目标识别过程中起着关键作用。它应用于实时场景，如安全监控和自动驾驶车辆导航等。计算效率成为实现实时目标检测的关键因素。因此，需要一种低复杂度且精度令人满意的检测模型。本研究旨在通过选择GLCM框架内的适当特征来提高计算效率。采用了两种分类模型，即K近邻(K-NN)和支持向量机(SVM)，结果表明K近邻(K-NN)在计算复杂度上优于SVM。具体而言，K-NN在使用相关性、能量和同质性特征组合时，以低复杂度实现了100%的准确率。此外，当使用能量和同质性特征组合时，K-NN达到了近乎完美的99.9889%准确率，同时保持低复杂度。另一方面，尽管SVM在某些特征组合中达到了100%的准确率，但其高或非常高的复杂度可能带来挑战，特别是在实时应用中。因此，基于准确率和复杂度的权衡，采用相关性、能量和同质性特征组合的K-NN模型成为需要高精度和低复杂度的实时应用的更合适选择。本研究为优化各种需要高精度和快速响应的应用中的目标检测提供了有价值的见解。
引用
@article{arxiv.2404.04578,
title = {GLCM-Based Feature Combination for Extraction Model Optimization in Object Detection Using Machine Learning},
author = {Florentina Tatrin Kurniati and Daniel HF Manongga and Eko Sediyono and Sri Yulianto Joko Prasetyo and Roy Rudolf Huizen},
journal= {arXiv preprint arXiv:2404.04578},
year = {2024}
}