การสกัดคุณลักษณะโดยใช้โครงข่ายประสาทแบบคอนโวลูชัน สำหรับระบบค้นคืนรูปภาพสิ่งปลูกสร้าง
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อสกัดคุณลักษณะของภาพโดยใช้โครงข่ายประสาทแบบคอนโวลูชัน (Convolutional Neural Networks: CNNs) เพื่อนำไปประยุกต์ใช้ในระบบค้นคืนรูปภาพตามเนื้อหา (Content-Based Image Retrieval: CBIR) สำหรับการค้นคืนภาพอาคาร โดยใช้ภาพถ่ายอาคารต่างๆ ภายในมหาวิทยาลัยราชภัฏบุรีรัมย์จำนวน 513 ภาพ เป็นชุดข้อมูลทดสอบ โมเดล CNNs ที่ใช้ในการสกัดคุณลักษณะ ได้แก่ VGG16, VGG19 และ NasNetLarge โดยใช้ Cosine similarity ในการวัดความคล้ายคลึงของภาพ ผลการวิจัยพบว่า VGG19 ให้ผลลัพธ์ความแม่นยำในการค้นคืนภาพดีที่สุด รองลงมาคือ VGG16 และ NasNetLarge ตามลำดับ แสดงให้เห็นว่า VGG19 สามารถสกัดคุณลักษณะของภาพอาคารได้อย่างมีประสิทธิภาพมากกว่า VGG16 และ NasNetLarge อย่างไรก็ตาม NasNetLarge ยังคงมีข้อจำกัดในการสกัดคุณลักษณะภาพอาคาร เนื่องจาก NasNetLarge มีความซับซ้อนของโครงสร้างสูงกว่า VGG16 และ VGG19 จึงทำให้ประสิทธิภาพในการสกัดคุณลักษณะภาพอาคารต่ำกว่า
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารนวัตกรรมวิทยาศาสตร์เพื่อการพัฒนาอย่างยั่งยืนถือเป็นกรรมสิทธิ์ของคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต ห้ามผู้ใดนำข้อความทั้งหมดหรือบางส่วนไปพิมพ์ซ้ำ เว้นแต่จะได้รับอนุญาตอย่างเป็นลายลักษณ์อักษรจากคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต นอกจากนี้ เนื้อหาที่ปรากฎในบทความเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
References
Abdullah, M. N., & Sahari, M. A. (2022, November). Digital image clustering and colour model selection in content-based image retrieval (CBIR) approach for biometric security image. In AIP Conference Proceedings (Vol. 2617, No. 1). AIP Publishing.
Aung, S. P. P., Pa, W. P., & Nwe, T. L. (2023). Improving Myanmar Image Caption Generation Using NASNetLarge and Bi-directional LSTM. In 2023 IEEE Conference on Computer Applications (ICCA) (pp. 1–6). IEEE. doi: 10.1109/ICCA51723.2023.10181326
Celeghin, A., Borriero, A., Orsenigo, D., Diano, M., Méndez Guerrero, C. A., Perotti, A., … Tamietto, M. (2023). Convolutional neural networks for vision neuroscience: significance, developments, and outstanding issues. Frontiers in Computational Neuroscience, 17, 1-13. doi: 10.3389/fncom. 2023.1153572
Chen, C. (2023, May). Image retrieval based on multimodality neural network and local sensitive hash. In Eighth International Symposium on Advances in Electrical, Electronics, and Computer Engineering (ISAEECE 2023) (Vol. 12704, pp. 542-545). SPIE. doi: 10.1117/12.2680159
Chen, X. (2023). The Study for Convolutional Neural Network and Corresponding Applications. Theoretical and Natural Science, 5( 1), 182–187. doi: 10.54254/2753-8818/5/ 20230387
Gayathri, P., Dhavileswarapu, A., Ibrahim, S., Paul, R., & Gupta, R. (2023). Exploring the Potential of VGG-16 Architecture for Accurate Brain Tumor Detection Using Deep Learning. Journal of Computers, Mechanical and Management, 2(2), 23056-23056. doi: 10.57159/ gadl.jcmm.2.2.23056
Himel, G. M. S., & Islam, M. M. (2024). Benchmark Analysis of Various Pre-trained Deep Learning Models on ASSIRA Cats and Dogs Dataset. arXiv e-prints, arXiv-2401.
Jiang, C., & Goldsztein, G. (2023). Convolutional Neural Network Approach to Classifying the CIFAR-10 Dataset. Journal of Student Research, 12(2), 1-7. doi: 10.47611/jsrhs.v12i2.4388
Karrach, L., & Pivarčiová, E. (2023). Using a Convolutional Neural Network for Machine Written Character Recognition. TEM Journal, 12( 3), 1252-1259).
Lazim Lafta, A., & I. Abdulsada, A. (2022). SMPP-CBIR: shorted and mixed aggregated image features for privacy-preserving content-based image retrieval. Bulletin of Electrical Engineering and Informatics, 11(5), 2930–2937. doi: 10.11591/eei.v11i5.4323
Liu, Q., Zhang, J., Liu, J., & Yang, Z. (2022). Feature extraction and classification algorithm, which one is more essential? An experimental study on a specific task of vibration signal diagnosis. International Journal of Machine Learning and Cybernetics, 13(6), 1685–1696.
Malik, C. K. M. (2022). Content based Image Retrieval Using Clustering Method. International Academic Journal of Science and Engineering, 6(2), 06–12. doi: 10.9756/IAJSE/V6I2/1910020
Malleswari, G., & Reddy, A. S. (2023). Diverse Convolutional Neural Network Models for Feature Extraction from Brain Tumor Images. In 2023 7th International Conference on Computing Methodologies and Communication (ICCMC) (pp. 405–410). India: IEEE. doi:10.1109/ ICCMC56507.2023.10083973
Mathews, A., N, S., & R, V. K. (2022). Analysis of Content Based Image Retrieval using Deep Feature Extraction and Similarity Matching. International Journal of Advanced Computer Science and Applications, 13(12). 646-655. doi: 10.14569/IJACSA.2022.0131277
Park, K., Hong, J. S., & Kim, W. (2020). A Methodology Combining Cosine Similarity with Classifier for Text Classification. Applied Artificial Intelligence, 34(5), 396–411. doi: 10.1080/08839514. 2020.1723868
Pratibha Rashmi, & Manu Pratap Singh. (2023). Convolution neural networks with hybrid feature extraction methods for classification of voice sound signals. World Journal of Advanced Engineering Technology and Sciences, 8(2), 110–125. doi: 10.30574/wjaets.2023.8.2.0083
Rani, L. N., & Yuhandri, Y. (2023). Similarity Measurement on Logo Image Using CBIR (Content Base Image Retrieval) and CNN ResNet-18 Architecture. In 2023 International Conference on Computer Science, Information Technology and Engineering (ICCoSITE) (pp. 228–233). Indonesia: IEEE. doi: 10.1109/ICCoSITE57641.2023.10127711
Rashmi, P., & Singh, M. P. (2023). Convolution neural networks with hybrid feature extraction methods for classification of voice sound signals. World Journal of Advanced Engineering Technology and Sciences, 8(2), 110–125. doi: 10.30574/wjaets.2023.8.2.0083
Sharma, P., Kumar, R., & Gupta, M. (2023). Road Features Extraction Using Convolutional Neural Network. In 2023 International Conference on Advancement in Computation & Computer Technologies (InCACCT) (pp. 881–886). India: IEEE. doi:10.1109/InCACCT57535.2023.101417 12
Shi, J., Su, Z., Qin, H., Shen, C., Huang, W., & Zhu, Z. (2022). Generalized Variable-Step Multiscale Lempel-Ziv Complexity: A Feature Extraction Tool for Bearing Fault Diagnosis. IEEE Sensors Journal, 22(15), 15296–15305. doi: 10.1109/JSEN.2022.3187763
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv e-prints, arXiv:1409.1556.
Suhaidi, M., Abdul Kadir, R., & Tiun, S. (2021). A REVIEW OF FEATURE EXTRACTION METHODS ON MACHINE LEARNING. Journal of Information System and Technology Management, 6(22), 51–59. doi: 10.35631/JISTM.622005
Taye, M. M. (2023). Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions. Computation, 11(3), 52. doi: 10.3390/ computation11030052
Usha, K., Sudeepthi, B., Mahathi, D., & Shravya, P. (2021). Face Mask Detection Using Feature Extraction. In Data Engineering and Communication Technology: Proceedings of ICDECT 2020 (pp. 437-447). Springer Singapore.
Wei, D. (2022). An Online Extraction Algorithm for Image Feature Information Based on Convolutional Neural Network. Mobile Information Systems, 2022, 1–11. doi: 10.1155/2022/1606438
Xu, X., & Zheng, L. (2022, September). Multivariate feature extraction. In 2022 58th Annual Allerton Conference on Communication, Control, and Computing (Allerton) (pp. 1-8). USA: IEEE. doi: 10.1109/ Allerton49937.2022.9929401
Zhang, L., Luo, Y., Cao, X., Shen, H., & Wang, T. (2023). Frequency and Scale Perspectives of Feature Extraction. In ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 1–5). USA: IEEE.
Zoph, B., Vasudevan, V., Shlens, J., & Le, Q. V. (2018). Learning transferable architectures for scalable image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 8697-8710). USA: IEEE.