X-ray Astronomical Point Sources Recognition Using Granular Binary-tree SVM
Shanghai Jiao Tong University（上海交通大学）
天文图像中的点源研究具有特殊的重要性，因为宇宙中大多数高能天体都表现出点状外观。提出了一种基于新设计的粒度二叉树支持向量机（GBT-SVM）分类器的X射线天文图像点源识别方法。首先，通过图像上的峰值检测来定位所有潜在的点源。然后提取这些潜在点源的图像和光谱特征。最后，通过提取的特征建立分类器来识别真实点源。我们的方法在真实的X射线天文图像上的实验和应用。我们的方法和其他基于SVM的分类器之间的比较也进行了评估的精度和召回率，这证明了我们的方法是更好的，并达到约89%的更高的准确率。
2017-03-07 cs.CV
Automatic Lesion Detection System (ALDS) for Skin Cancer Classification Using SVM and Neural Classifiers
Pakistan Navy Engineering College (PNEC)（巴基斯坦海军工程学院）；National University of Sciences & Technology (NUST)（国家科技大学）；Electronics and Power Engineering (EPE)（电子与动力工程系）
如今，技术辅助平台几乎在每个领域都提供了可靠的工具。这些由计算能力支持的工具对于需要敏感和精确数据分析的应用程序非常重要。在医学领域中的一个这样的重要应用是用于皮肤癌分类的自动病变检测系统（ALDS）。计算机辅助诊断有助于医生和皮肤科医生获得第二意见，以正确分析和治疗皮肤癌。癌性痣及其周围区域的精确分割对于正确的分析和诊断至关重要。本文的重点是对改进的ALDS框架的基础上概率的方法，最初利用主动轮廓和分水岭合并掩模分割出的痣，后来SVM和神经分类器应用于分类的分割痣的发展。在病变分割之后，对所选择的特征进行分类以确定所考虑的病例是黑色素瘤还是非黑色素瘤。不同的数据集和比较分析的方法进行测试，反映了所提出的系统的有效性。
2020-03-13 cs.CV
Performance Comparison of SVM and ANN for Handwritten Devnagari Character Recognition
Meghnad Saha Institute of Technology（梅格纳德·萨哈技术学院）；Jadavpur University（贾达普大学）；G.H. Raisoni College of Engineering（G.H.赖索尼工程学院）
基于实例学习的分类方法自20世纪90年代以来被广泛应用于字符识别中，并取得了显著的识别效果。这类方法包括统计方法，人工神经网络，支持向量机（SVM），多分类器组合等。在本文中，我们讨论了一些分类方法已成功地应用于手写体Devnagari字符识别的特点和SVM和人工神经网络分类方法，应用于手写体Devnagari字符的结果。对字符图像进行预处理后，提取了阴影特征、链码直方图特征、基于视图的特征和最长游程特征。然后将这些特征馈送到神经分类器和支持向量机中进行分类。在神经分类器中，我们探索了三种方法来组合针对四种不同特征设计的四个MLP的决策。
2010-06-30 cs.CV
F-SVM: Combination of Feature Transformation and SVM Learning via Convex Relaxation
Harbin Institute of Technology（哈尔滨工业大学）；Sun Yat-sen University（中山大学）
支持向量机（SVM）的泛化误差界取决于半径和间隔的比值，而标准SVM只考虑了间隔的最大化而忽略了半径的最小化。提出了几种方法来集成半径和间隔的特征变换和SVM分类器的联合学习。然而，它们中的大多数要么要求变换矩阵的形式是对角的，要么是非凸的且计算量大。本文提出了一种新的特征空间最小包围球（MEB）半径的近似方法，并在此基础上提出了一种基于凸半径-边缘的SVM模型，用于特征变换和SVM分类器的联合学习，即，F-SVM采用交替最小化方法求解F-SVM模型，通过梯度下降更新特征变换，利用已有的SVM求解器更新分类器。通过与核主成分分析相结合，F-SVM被进一步扩展为非线性变换和分类器的联合学习。在UCI机器学习数据集和LFW人脸数据集上的实验结果表明，F-SVM的性能优于标准SVM和现有的基于半径边缘的SVM，例如，RMM、R-SVM+和R-SVM+μ。
2015-04-20 cs.CV cs.LG
Effective Sequential Classifier Training for SVM-based Multitemporal Remote Sensing Image Classification
The University of New South Wales（新南威尔士大学）
遥感图像的爆炸性可用性已经挑战了监督分类算法，如支持向量机（SVM），由于训练样本往往是非常有限的，由于昂贵和费力的地面真实任务。多时相图像之间的时间相关性和光谱相似性为缓解这一问题提供了机会。在这项研究中，一个基于SVM的序贯分类器训练（SCT-SVM）方法提出了多时相遥感图像分类。该方法利用先前图像的分类器来减少输入图像的分类器训练所需的训练样本的数量。对于每个输入图像，首先根据一组先前分类器的时间趋势预测粗略分类器。然后，预测的分类器被微调到具有当前训练样本的更准确的位置。这种方法可以逐步应用于连续的图像数据，从每个图像中只需要少量的训练样本。Sentinel-2A多时相数据在澳大利亚的一个农业区进行了实验。实验结果表明，与现有的两种模型传递算法相比，SCT-SVM具有更好的分类精度。当训练数据不足时，与没有先前图像的辅助相比，所提出的SCT-SVM对输入图像的总体分类准确率从76.18%提高到94.02%。这些结果表明，利用先验信息从以前的图像可以提供有利的帮助，为以后的图像在多时间图像分类。
2018-01-17 cs.CV cs.LG
Automatic Diagnosis of Abnormal Tumor Region from Brain Computed Tomography Images Using Wavelet Based Statistical Texture Features
Velammal College of Engg and Tech（维拉马尔工程技术学院）；Thiagarajar College of Engg（蒂亚加拉贾工程技术学院）
本文的研究工作是利用基于小波变换的统计纹理分析方法实现CT图像中的组织分类和异常肿瘤区域的自动诊断。对提出的基于小波变换的纹理分析方法和空间灰度依赖性纹理分析方法进行了比较研究。我们提出的系统包括四个阶段i）离散小波分解（ii）特征提取（iii）特征选择（iv）分类器提取的纹理特征的分析。一个基于小波的统计纹理特征集来自正常和肿瘤区域。采用遗传算法从提取的纹理特征集中选择最优的纹理特征。我们构造了基于支持向量机（SVM）的分类器，并通过与BP神经网络分类器（BPN）的分类结果进行比较，对分类器的性能进行了评价。利用受试者工作特征（ROC）分析评价了支持向量机（SVM）、BPN分类器的纹理分析结果。实验结果表明，支持向量机的分类准确率为96%的10折交叉验证方法。该系统已被测试与一些真正的计算机断层扫描脑图像，并取得了令人满意的结果。
2011-09-06 cs.CV
One-Class Slab Support Vector Machine
West Virginia University（西弗吉尼亚大学）；University of Notre Dame（圣母大学）；University of California Santa Barbara（加州大学圣塔芭芭拉分校）
这项工作介绍了一类板SVM（OCSSVM），一类分类器，旨在提高单类SVM的性能。该策略降低了误报率，提高了从新类中检测实例的准确性。为此，它使用两个平行的超平面来学习目标类的决策得分的正常区域。OCSSVM扩展了单类SVM，因为它可以通过核方法扩展和学习非线性决策函数。在两个公开数据集上的实验表明，OCSSVM的性能始终优于单类SVM，并与其他最先进的单类分类器相当或更好。
2016-08-02 cs.CV
A third level trigger programmable on FPGA for the gamma/hadron separation in a Cherenkov telescope using pseudo-Zernike moments and the SVM classifier
研究了在MAGIC实验中，用伪Zernike特征代替Hillas参数作为图像参数，区分γ射线引起的大气电磁簇射和强子引起的大气电磁簇射所产生的图像。我们使用了一个支持向量机作为分类算法与计算的伪Zernike功能作为分类参数。我们在FPGA板上实现了支持向量机的核函数和伪Zernike特征，为MAGIC实验的γ-强子分离任务构建了第三级触发器。
2006-02-24 cs.AI cs.CV
Automated identification of hookahs (waterpipes) on Instagram: an application in feature extraction using Convolutional Neural Network and Support Vector Machine classification
Lehigh University（理海大学）；Keck School of Medicine, University of Southern California（南加州大学凯克医学院）
Instagram每天有数百万条帖子，可用于告知公共卫生监测目标和政策。然而，目前的研究依赖于基于图像的数据往往依赖于手工编码的图像，这是耗时和昂贵的，最终限制了研究的范围。自动图像分类中的当前最佳实践（例如，支持向量机（SVM）、反向传播（BP）神经网络和人工神经网络）在它们准确区分图像内的对象的能力方面是有限的。目的：这项研究演示了如何使用卷积神经网络（CNN）来提取图像中的独特特征，以及如何使用SVM对图像进行分类。研究方法：从Instagram上收集了水管或水烟（一种新兴的烟草产品，具有与香烟相似的危害）的图像，并用于分析（n=840）。使用CNN从识别为包含水管的图像中提取独特特征。建立了一个SVM分类器来区分有水管和没有水管的图像。然后比较图像分类方法，以显示CNN + SVM分类器如何提高准确性。结果：随着验证训练图像数量的增加，提取的特征总数增加。此外，随着SVM分类器学习的特征数量的增加，平均准确度也会提高。总体而言，99.5%的420个图像分类被正确识别为水烟或非水烟图像。这种精度水平比早期单独使用SVM，CNN或Bag of Features（BOF）的方法有所改进。结论：CNN提取图像的更多特征，允许SVM分类器更好地被告知，从而与提取更少特征的方法相比具有更高的准确性。未来的研究可以使用这种方法来扩大基于图像的研究的范围。
2018-10-21 cs.CV
Radon Features and Barcodes for Medical Image Retrieval via SVM
Nanjing University of Science & Technology（南京理工大学）；University of Waterloo（滑铁卢大学）
基于内容的图像检索（CBIR）已经研究了二十多年。将Radon投影和支持向量机相结合，提出了一种基于内容的医学图像检索方法。该方法采用归一化的Radon投影与相应的图像类别标签，以建立一个SVM分类器，和Radon条形码数据库，编码的每一个图像在一个二进制格式也同时产生标记所有的图像。为了在给定查询图像时检索相似图像，生成查询图像的Radon投影和条形码。随后，k-近邻搜索方法被施加到找到的图像与最小汉明距离的Radon条形码在同一类预测的训练SVM分类器，使用Radon功能。通过使用IRMA 2009数据集的57个类别的14，410个X射线图像，验证了所提出的方法的性能。结果表明，我们的方法有能力检索相似的响应，正确识别的查询图像，甚至错误分类的SVM。此外，该方法非常快并且具有低存储器要求。
2016-04-16 cs.CV
Hyperspectral Images Classification and Dimensionality Reduction using spectral interaction and SVM classifier
ENSET Mohammed V University（穆罕默德五世大学高等师范技术学院）
近几十年来，高光谱遥感技术的发展引起了各领域科学家的极大兴趣。高光谱传感器提供的丰富而详细的光谱信息提高了对地表物质的监测和探测能力。然而，高维的高光谱图像（HSI）的主要挑战之一，对所收集的数据进行分析。噪声、冗余和不相关波段的存在增加了计算复杂性，导致Hughes现象，降低了目标的分类精度。因此，降维是应对维数挑战的重要步骤。在本文中，我们提出了一种新的过滤方法的基础上最大化的光谱相互作用措施和支持向量机的降维和分类的HSI。建议的最大相关最大协同（MRMS）算法评估每个波段的相关性，通过频谱协同，冗余和相关性措施的组合。我们的目标是选择协同波段的最佳子集，为监督场景素材提供准确的分类。实验结果已经使用三个不同的高光谱数据集：“印第安纳松树”，“帕维亚大学”和“萨利纳斯”提供的“NASA-AVIRIS”和“ROSIS”光谱仪。此外，与国家的最先进的波段选择方法进行了比较，以证明所提出的方法的鲁棒性和效率。保留字：高光谱图像，遥感，降维，分类，协同，相关，光谱交互信息，互信息
2022-10-27 cs.CV
Fusion of Multiple Matchers using SVM for Offline Signature Identification
Dr. B. C. Roy Engineering College（B.C.罗伊工程学院）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；Jadavpur University（贾达普大学）
本文采用支持向量机（SVM）融合多个分类器的离线签名系统。从签名图像中提取全局和局部特征，并借助高斯经验规则、欧氏距离和马氏距离分类器对签名进行验证。SVM用于融合这些匹配器的匹配得分。最后，通过将查询签名与数据库的所有签名进行比较来识别查询签名。该系统进行了测试的签名数据库包含5400离线签名的600个人，结果被发现是有前途的。
2010-02-02 cs.CV cs.LG
Nighttime Driver Behavior Prediction Using Taillight Signal Recognition via CNN-SVM Classifier
Ford Motor Company（福特汽车公司）
本文提出一种结合定制检测器、CNN特征提取、PCA降维与SVM分类的模型，通过识别前车尾灯信号实现夜间驾驶行为预测，准确率达92.14%。
2023-10-25 cs.CV
Human Face Expressions from Images - 2D Face Geometry and 3D Face Local Motion versus Deep Neural Features
Institute of Radioelectronics and Multimedia Technology（无线电电子学与多媒体技术研究所）；Faculty of Electronics and Information Technology（电子与信息技术学院）；Warsaw University of Technology（华沙理工大学）
利用CNN/MMOD人脸检测器在网络摄像头场景下比较了几种用于识别可见人类情感的计算机算法。识别涉及四种面部表情：微笑、惊讶、愤怒和中性。在特征提取阶段，人脸描述面临以下三个概念：（a）由68个特征点（FP 68）表示的静态二维人脸几何结构;（b）由8个不同人脸部位的运动参数定义的动态三维人脸几何结构（c）作为灰度像素的2D阵列的静态2D视觉描述（称为面部原始图像）。在分类阶段，分析了两种主要模型的性能：（a）具有内核选项的支持向量机（SVM）;（b）具有各种相关张量处理层和块的卷积神经网络（CNN）。这些模型针对人脸的正面视图进行训练，同时针对任意头部姿势进行测试。对于几何特征，成功率（准确性）表明相对于SVM分类器，CNN的性能几乎增加了三倍。对于原始图像，CNN在准确性上优于其最佳几何对应物（AU/CNN）约30%，而最佳SVM解决方案则差近四倍。对于F分数，也观察到原始/CNN相对于几何/CNN和几何/SVM的高优势。我们的结论是，相反的CNN基于情感分类器，泛化能力wrt人类头部姿势是基于SVM的情感分类器差。
2019-01-31 cs.CV
Treelogy: A Novel Tree Classifier Utilizing Deep and Hand-crafted Representations
Middle East Technical University（中东技术大学）
我们提出了一种新的树分类系统，称为Treelogy，融合了深度表示与手工制作的功能，从叶子图像进行基于叶子的植物分类。该系统的关键是从无纹理背景中分割叶子，使用卷积神经网络（CNN）学习深度表示，使用许多图像处理技术提取手工特征，使用特征向量训练线性SVM，合并SVM和CNN结果，并从57棵树的数据集中识别物种。我们的分类结果表明，深度表示与手工制作的特征的融合导致了最高的准确性。该算法是嵌入在一个智能手机应用程序，这是公开的。此外，我们的新数据集包括5408叶图像也公开供其他研究人员使用。
2017-01-28 cs.CV
Identification of chicken egg fertility using SVM classifier based on first-order statistical feature extraction
Universitas Pembangunan Nasional Veteran Yogyakarta（日惹退伍军人国立发展大学）
本研究旨在利用支持向量机（SVM）分类器方法对鸡蛋受精率进行识别。分类基础采用一阶统计（FOS）参数作为识别过程中的特征提取。这项研究是基于过程的识别过程，这仍然是手动（传统）。虽然目前有许多技术在识别过程中，他们仍然需要发展。因此，本研究是图像处理技术领域的发展之一。样本数据使用来自先前研究的数据集，总共有100个鸡蛋图像。图像中的鸡蛋对象是单个对象。从这些数据中，每个受精卵和不育卵的分类是50个图像数据。鸡蛋图像数据成为图像处理的输入，首先进行分割.这种初始分割的目的是根据对象得到裁剪后的图像。利用灰度图像预处理和图像增强方法对裁剪后的图像进行修复。该方法（图像增强）使用了两种组合方法：对比度受限自适应直方图均衡（CLAHE）和直方图均衡（HE）。改进的图像成为使用FOS方法的特征提取的输入。FOS使用五个参数，即均值、熵、方差、偏度和峰度。将这5个参数输入SVM分类器中，对鸡蛋的生育能力进行识别。这些实验结果表明，本文提出的方法在识别过程中的成功率为84.57%。因此，此方法的实施可作为未来研究改进的参考。此外，可以使用二阶特征提取方法来提高其准确性并改进用于分类的监督学习。
2022-01-10 cs.CV eess.IV
Support Vector Machine (SVM) Recognition Approach adapted to Individual and Touching Moths Counting in Trap Images
University of Toulouse（图卢兹大学）；SiConsult
本文的目的是开发一种自动识别算法，从陷阱图像在现实世界中的条件。该方法使用我们以前的工作进行检测[1]，并引入了自适应分类步骤。更准确地说，SVM分类器是用多尺度描述符，曲率显著性直方图（HCS）训练的。该描述符对光照变化具有鲁棒性，能够在多尺度下检测和描述目标昆虫的外部和内部轮廓。所提出的分类方法可以用一小组图像进行训练。定量评价表明，该方法能够分类昆虫具有更高的准确率（95.8%）比国家的最先进的方法。
2018-09-18 cs.CV
Gearbox Fault Detection through PSO Exact Wavelet Analysis and SVM Classifier
Amirkabir University of Technology（阿米尔卡比尔理工大学）
基于振动的齿轮箱故障检测的时频方法被认为是最有效的方法。在这些方法中，连续小波变换（CWT）作为最好的时频分析方法之一，已被用于平稳和瞬态信号。连续小波变换的一些不足之处是信号的重叠和失真问题。在这种情况下，存在大量的冗余信息，从而它可能会导致误报或误解的操作员。本文提出了一种改进的方法，称为精确小波分析，以尽量减少重叠和失真的影响，在齿轮箱故障的情况下。为了实现精确的小波分析，粒子群优化算法（PSO）已用于此目的。该方法已被实现的二维加速度传感器的加速度信号由研华PCI-1710卡从一个齿轮箱测试设置在埃米尔卡比尔理工大学。齿轮箱已被认为是在健康和缺口齿齿轮的条件。基于径向基函数的核支持向量机（SVM）利用精确小波分析提取的特征进行分类。该分类器的效率，然后与从设置测试获得的其他信号进行评估。结果表明，与连续小波变换相比，粒子群精确小波变换在计算量较大的情况下，具有更好的特征提取能力。此外，由于粒子群算法中的因子变异和交叉，在种群数量相等的情况下，粒子群精确小波比遗传算法精确小波具有更好的速度。将提取的特征应用于齿轮箱的SVM分类器，取得了很好的效果，证明了SVM分类器的能力。
2016-05-12 cs.AI cs.CV cs.LG
Offline Signature Identification by Fusion of Multiple Classifiers using Statistical Learning Theory
Dr. B. C. Roy Engineering College（B.C.罗伊工程学院）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；Jadavpur University（贾达沃普尔大学）
本文采用支持向量机（SVM）融合多个分类器的离线签名系统。从签名图像中提取全局和局部特征，并借助高斯经验规则、欧氏距离和马氏距离分类器对签名进行验证。SVM用于融合这些匹配器的匹配得分。最后，通过将查询签名与数据库的所有签名进行比较来识别查询签名。该系统进行了测试的签名数据库包含5400离线签名的600个人，结果被发现是有前途的。
2010-03-30 cs.CV cs.LG
A Hybrid MLP-SVM Model for Classification using Spatial-Spectral Features on Hyper-Spectral Images
National Institute of Technology, Kurukshetra（库鲁克谢特拉国家理工学院）
高光谱图像的分类面临着许多挑战，如维数大，标记数据稀缺和光谱特征的空间变异性。在该方法中，我们使用多层感知器（MLP）和支持向量机（SVM）的混合分类器（MLP-SVM），旨在提高各种分类参数，如准确率，精度，召回率，f-得分和预测区域没有地面真理。在该方法中，神经网络最后一个隐层的输出成为SVM的输入，最后分类成各种期望的类。在本研究中，我们对印度松，美国。Pavia和Salinas数据集分别由NASA喷气推进实验室的AVIRIS和ROSIS传感器提供，具有16、9、16类和200、103、204个反射波段。该方法在测试数据集上的分类准确率分别为93.22%、96.87%、93.81%，而基于SVM和MLP的分类准确率分别为86.97%、88.58%、88.85%和91.61%、96.20%、90.68%。Pavia和Salinas数据集。
2021-01-01 cs.CV cs.LG
SVM and ELM: Who Wins? Object Recognition with Deep Convolutional Features from ImageNet
The Hong Kong Polytechnic University（香港理工大学）
使用卷积神经网络（CNN）的深度学习已被证明在图像的特征提取和表示中非常有效。对于图像分类问题，本文的工作旨在基于图像的高层深层特征，找出哪种分类器更有竞争力。在本报告中，我们讨论了深度卷积激活特征表示下用于图像分类的最近邻、支持向量机和极限学习机。具体来说，我们采用了基准对象识别数据集从多个来源与域偏见评估不同的分类器。对象数据集的深度特征是由经过良好训练的CNN在具有挑战性的ImageNet上获得的，该CNN具有五个卷积层和三个全连接层。实验表明，ELM优于支持向量机的跨域识别任务。特别是，国家的最先进的结果是由内核ELM优于支持向量机的平均精度约4%。这些功能和代码可在http://www.escience.cn/people/lei/index.html上获得
2015-06-08 cs.CV cs.LG
Feature Selection By KDDA For SVM-Based MultiView Face Recognition
Amirkabir University of Technology（阿米尔卡比尔理工大学）
处理高维数据的人脸识别等应用需要一种映射技术，该技术引入了具有增强的区分能力的低维特征的表示和能够对这些复杂特征进行分类的适当分类器。传统的线性判别分析方法的最优性准则与所得到的特征表示的分类能力没有直接关系。此外，他们的分类精度受到“小样本量”的问题，这是经常遇到的FR任务。在这篇简短的论文中，我们结合了非线性核映射的数据称为KDDA与支持向量机分类器，以有效和成本效益的方式来处理这两个缺点。这里提出的方法进行比较，在分类精度方面，其他常用的FR方法UMIST人脸数据库。结果表明，该方法的性能总体上优于传统的FR方法，如特征脸，费舍尔脸，D-LDA方法和传统的线性分类器。
2008-12-13 cs.CV cs.LG
Dynamic hardware system for cascade SVM classification of melanoma
Auckland University of Technology（奥克兰理工大学）
黑色素瘤是皮肤癌中最危险的一种，它是大多数皮肤癌相关死亡的原因。黑色素瘤的早期诊断可以显著降低死亡率和治疗费用。因此，皮肤癌专家正在使用基于图像的诊断工具来早期检测黑色素瘤。我们的目标是开发一种具有低成本和高性能的手持设备，以加强在初级医疗中对黑色素瘤的早期检测。但是，由于嵌入式诊断系统所需的复杂计算，开发这种设备是非常具有挑战性的。因此，我们的目标是利用最新的硬件技术在可重构计算，以实现低成本的高性能嵌入式系统。支持向量机（Support Vector Machine，SVM）是一种常见的分类器，其在诊断系统中对黑色素瘤的分类显示出高精度，并且被认为是系统中计算最密集的任务。在本文中，我们提出了一个动态的硬件系统实现级联SVM分类器的早期黑色素瘤检测的FPGA。提出了一种多核架构来实现两级级联分类器，使用两个分类器，准确率为98%和73%。采用动态部分重构技术优化了硬件实现效果，实现了1%片的极低资源利用率和1.5W的功耗。因此，所实现的动态硬件系统满足高性能和低成本、资源利用率和功耗的重要嵌入式系统约束，同时实现高精度的高效分类。
2021-12-10 cs.AR cs.CV eess.IV
Accuracy of MRI Classification Algorithms in a Tertiary Memory Center Clinical Routine Cohort
AP-HP（巴黎公立医院集团）；Hôpital de la Pitié-Salpêtrière（皮蒂-萨尔皮特里医院）；Sorbonne Universités（索邦大学）；UPMC Univ Paris 06（巴黎第六大学（皮埃尔和玛丽·居里大学））；Inserm（法国国家健康与医学研究院）；CNRS（法国国家科学研究中心）；ICM（脑与脊髓研究所）；Inria（法国国家信息与自动化研究所）；Laboratoire Bordelais de Recherche en Informatique（波尔多计算机科学实验室）；Brainreader；AXA Research Fund（安盛研究基金）；Pierre et Marie Curie University（皮埃尔和玛丽·居里大学）
背景：自动容量测定软件（AVS）最近已被神经放射科医生广泛使用。磁共振容积测量与AVS可以支持痴呆的诊断，通过识别区域萎缩。此外，使用机器学习技术的自动分类器最近已经成为辅助诊断的有前途的方法。然而，AVS和自动分类器的性能主要是在人工设置的research dataset.OBJECTIVE：我们的目的是评估性能的两个AVS和一个自动分类器在临床常规条件下的记忆clinic.METHODS：我们研究了239例患者从一个单一的记忆中心队列的认知障碍。使用临床常规T1加权MRI，我们评估了以下分类性能：1）使用两种AVS（volBrain和Neuroreader $^{TM}$）的单变量容量测定; 2）支持向量机（SVM）自动分类器，使用AVS体积（SVM-AVS）或整个灰质（SVM-WGM）; 3）由两名神经放射科医生读取。性能指标是平衡诊断准确性。参考标准是由三个神经科医生使用临床，生物（脑脊液）和成像数据和以下国际criterions.Results共识诊断：单变量AVS容积法提供了只有中等的准确性（46%至71%与海马体积）。当使用SVM-AVS分类器时，准确率提高（52%至85%），接近SVM-WGM（52%至90%）。视觉分类的神经放射学家之间的SVM-AVS和SVM-WGM.CONCLUSION：在记忆诊所的常规实践中，使用体积的措施提供的AVS产量只有中等的准确性。自…
2020-03-19 cs.CV eess.IV eess.SP
Handwritten Bangla Basic and Compound character recognition using MLP and SVM classifier
提出了一种新的识别手写体复合孟加拉语字符的方法，以及孟加拉语字母的基本字符。与罗马字母等英语相比，手写孟加拉字母的光学字符识别（OCR）中的主要障碍之一是孟加拉字母表的大量复杂形状的字符类。除了50个基本字符类，孟加拉语字母表中还有近160个复杂形状的复合字符类。处理这样一个大品种的手写字符与适当设计的功能集是一个具有挑战性的问题。不确定性和不精确性是手写体所固有的。此外，如此大量的复杂形状的字符，其中一些具有密切的相似性，使得手写孟加拉语字符的OCR问题更加困难。考虑到问题的复杂性，本方法尝试从最频繁出现的到不太频繁出现的复合字符类来识别复合字符类，即，按重要性排序。这是为了开发一个框架，用于逐步增加复合字符的学习类的数量，从更频繁出现的复合字符到不太频繁出现的复合字符以及基本字符。在实验中，该技术被观察到产生的平均识别率为79.25后，三折交叉验证的数据与未来的改进和扩展的范围。
2010-02-23 cs.CV cs.LG
Comparison of 14 different families of classification algorithms on 115 binary datasets
Computing Institute（计算研究所）；University of Campinas（坎皮纳斯大学）
我们在115个真实的二进制数据集上测试了14种非常不同的分类算法（随机森林，梯度提升机，SVM -线性，多项式和RBF - 1-隐藏层神经网络，极端学习机，k-最近邻和knn的装袋，朴素贝叶斯，学习矢量量化，弹性网络逻辑回归，稀疏线性判别分析和线性分类器的提升）。我们遵循Demsar分析，发现三个最好的分类器（随机森林，gbm和RBF SVM）彼此没有显着差异。我们还讨论了小于0.0112的变化的出错率应被认为是一个不相关的变化，并使用贝叶斯方差分析得出结论，这三个分类器之间的差异是没有实际后果的概率很高。我们还验证了这些算法的“标准实现”的执行时间，并得出结论，RBF SVM在训练时间和训练加测试时间方面都是最快的（显着）。
2016-06-02 cs.CV cs.LG
Classifier Enhanced Deep Learning Model for Erythroblast Differentiation with Limited Data
Koita Centre for Digital Health, Indian Institute of Technology Bombay（印度理工学院孟买分校科伊塔数字健康中心）；Zoho Corporation（卓豪公司）；Department of Chemical Engineering, Indian Institute of Technology Bombay（印度理工学院孟买分校化学工程系）；Sensing and Monitoring Foundation（传感与监测基金会）
针对血液系统疾病诊断中红细胞与白细胞区分的挑战，提出以ResNet-50为骨干结合SVM等ML分类器的方法，在有限数据下（如仅用1%数据集训练）实现更高分类准确率，为资源匮乏环境提供解决方案。
2024-11-26 cs.CV eess.IV
Alleviating Hyperparameter-Tuning Burden in SVM Classifiers for Pulmonary Nodules Diagnosis with Multi-Task Bayesian Optimization
Yau Mathematical Sciences Center Tsinghua University（姚数学科学中心清华大学）；The First Affiliated Hospital of Guangzhou Medical University（广州医科大学第一附属医院）；China State Key Laboratory of Respiratory Disease（中国呼吸疾病国家重点实验室）；Academy of Mathematics and Systems Science Chinese Academy of Sciences（数学科学学院中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Department of Thoracic Surgery and Oncology The First Affiliated Hospital of Guangzhou Medical University（胸外科与肿瘤科广州医科大学第一附属医院）
本研究针对肺结节诊断中图像离散化方法导致的SVM超参数调优耗时问题，首次提出利用多任务贝叶斯优化加速RBF SVM分类器的超参数搜索，显著提升了调优效率。
2025-11-05 cs.CV cs.LG eess.IV
Radiomic feature selection for lung cancer classifiers
Bahria University（巴赫里亚大学）；National University of Science and Technology（国立科学技术大学）
结合定量成像特征的机器学习方法最近在肺结节分类方面获得了很多关注。然而，在文献中缺乏有效的特征排序方法的分类目的的研究。此外，还需要评估分类任务所需的特征的最佳数量。在这项研究中，我们研究了有监督和无监督的特征选择技术对计算机断层扫描（CT）图像中结节分类的机器学习方法的影响。研究工作探讨了朴素贝叶斯和支持向量机（SVM）的分类性能时，训练与2，4，8，12，16和20高排名的功能，从监督和无监督的排名方法。从监督特征排序方法中选出8个放射性组学特征训练支持向量机，取得了最好的分类结果，准确率为100%。该研究进一步表明，可以通过训练具有较少放射组学特征的任何SVM或Naive Bayes来实现非常好的结节分类。放射性组学特征的数量从2到20的周期性增量没有改善分类结果，无论选择是使用监督还是非监督的排名方法。
2020-03-16 cs.CV eess.IV
Application of Graph Based Features in Computer Aided Diagnosis for Histopathological Image Classification of Gastric Cancer
Northeastern University（东北大学）；China Medical University（中国医科大学）；University of Luebeck（吕贝克大学）
胃癌检测的金标准是胃组织病理学图像分析，但现有的组织病理学检测和诊断存在一定的缺陷。本文在计算机辅助诊断系统研究的基础上，将基于图的特征应用于胃癌组织病理学显微图像分析，并利用分类器对胃癌细胞和良性细胞进行分类。首先对图像进行分割，找到细胞核区域后，利用k-均值方法提取细胞核，绘制最小生成树（MST），并提取MST的图基特征。然后将基于图的特征放入分类器中进行分类。本文在组织分割阶段比较了Level-Set、Otsu阈值分割、分水岭分割、SegNet、U-Net和Trans-U-Net等不同的分割方法，在特征提取阶段比较了基于图的特征、红绿蓝特征、灰度共生矩阵特征、梯度直方图特征和局部二值模式特征;在分类器阶段，比较了径向基函数（RBF）支持向量机（SVM）、线性SVM、人工神经网络、随机森林、k-最近邻、VGG 16和Inception-V3。实验结果表明，采用U-Net分割组织区域，然后提取基于图的特征，最后采用RBF SVM分类器进行分类，得到了94.29%的最优结果。
2022-05-17 cs.CV cs.LG eess.IV
