We have advocated proposed a model

We have advocated proposed a model to classify insect images using Dense-SIFT features and multilayer feedforward neural networks. Dense-SIFT features from a query insect image are extracted and saved descriptor vectors matrix. Then, using descriptor vectors quantization with kmeans algorithm, each cluster is a vocabulary of visual words. Next, building a spatial histogram with spatial pyramid matching, ending the process of obtaining a feature vector representing insect image feature.
This feature vector become the input of CMNN model. This model was used classification insect image feature, the accuracy of the classification can be increased by adjusting the number of nodes in a layer as well as the number of hidden layers in a network. However, when accuracy is not increased, the number of nodes and number of layer in the network achieved the best classification rate.\
If continue to increase the number of nodes in the hidden layer of the network, the accuracy prediction rate tends to decrease. When the input data does not change, the number of neurons in the hidden layer too much making it difficult for network training. Complex network structures and less data, making low classification rate. The experiment shows that the model is suitable for classification in static images. Ongoing investigations include classifying mobile insects and testing with varying species, with number to thousands of image.

Kết quả (Việt) 1:

Chúng tôi đã ủng hộ đề xuất một mô hình để phân loại côn trùng hình ảnh bằng cách sử dụng tính năng Dense sàng lọc và đa lớp feedforward mạng nơ-ron. Sàng lọc dày đặc các tính năng từ một hình ảnh côn trùng truy vấn được trích xuất và lưu mô tả vectơ ma trận. Sau đó, sử dụng sự lượng tử hóa vectơ mô tả thuật toán kmeans, mỗi cụm là một vốn từ vựng của các hình ảnh từ. Tiếp theo, việc xây dựng một biểu đồ không gian với kim tự tháp không gian phù hợp, kết thúc quá trình thu thập một vector feature đại diện cho các tính năng hình ảnh côn trùng.Vector tính năng này trở nên đầu vào của các mô hình CMNN. Mô hình này đã được sử dụng phân loại côn trùng hình ảnh tính năng, tính chính xác của việc phân loại có thể được tăng lên bằng cách điều chỉnh số lượng các nút trong một lớp cũng như số lượng ẩn lớp trong một mạng. Tuy nhiên, khi tính chính xác không tăng lên, số lượng các nodes và số lượng lớp trong mạng đạt được tỷ lệ phân loại tốt nhất. \Nếu tiếp tục tăng số lượng các nút trong lớp mạng, ẩn, mức độ chính xác dự báo có xu hướng giảm. Khi không thay đổi dữ liệu đầu vào, số lượng các tế bào thần kinh trong ẩn lớp quá nhiều làm cho nó khó khăn cho mạng lưới đào tạo. Cấu trúc mạng lưới phức tạp và ít dữ liệu hơn, làm cho tỷ lệ thấp phân loại. Thử nghiệm cho thấy rằng các mô hình thích hợp cho phân loại trong hình ảnh tĩnh. Cuộc điều tra liên tục bao gồm phân loại côn trùng di động và thử nghiệm với các loài khác nhau, với số lượng hàng ngàn hình ảnh.

Kết quả (Việt) 2:

Chúng tôi đã ủng hộ đề xuất một mô hình để phân loại hình ảnh côn trùng sử dụng các tính năng và mạng lưới thần kinh đa feedforward rậm-SIFT. Rậm-SIFT tính năng từ một hình ảnh côn trùng truy vấn được trích lập và mô tả lưu vector ma trận. Sau đó, sử dụng các vector mô tả lượng tử hóa với thuật toán kmeans, mỗi cụm là một từ vựng của từ thị giác. Tiếp theo, xây dựng một biểu đồ không gian với các hợp kim tự tháp không gian, kết thúc quá trình lấy một vector đặc trưng đại diện cho tính năng hình ảnh côn trùng.
Vector tính năng này trở thành đầu vào của mô hình CMNN. Mô hình này đã được sử dụng phân loại tính năng hình ảnh côn trùng, tính chính xác của việc phân loại có thể được tăng lên bằng cách điều chỉnh số lượng các nút trong một lớp cũng như số lớp ẩn trong một mạng. Tuy nhiên, khi độ chính xác không tăng, số lượng các nút và số lớp trong mạng đạt được tỷ lệ phân loại tốt nhất. \
Nếu tiếp tục tăng số lượng các nút trong lớp ẩn của mạng, tỷ lệ dự đoán chính xác xu hướng giảm . Khi dữ liệu đầu vào không thay đổi, số lượng tế bào thần kinh trong lớp ẩn quá nhiều gây khó khăn cho việc đào tạo mạng. Cấu trúc phức tạp mạng và dữ liệu ít hơn, làm cho tỷ lệ phân loại thấp. Các thí nghiệm cho thấy rằng mô hình là phù hợp với phân loại trong các hình ảnh tĩnh. Điều tra đang thực hiện bao gồm phân loại côn trùng di động và thử nghiệm với các loài khác nhau, với số lượng đến hàng ngàn hình ảnh.