Urban Road Marker Classification Using Histogram of Oriented Gradient and Local Binary Pattern with Artificial Neural Network

2021 ◽  
pp. 126-135
Author(s):  
Zamani Md Sani ◽  
Liang Jin Chuan ◽  
Tarmizi Ahmad Izzudin ◽  
Hadhrami Abd Ghani ◽  
Aerun Martin
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Local Binary Pattern ◽  
Histogram Of Oriented Gradient ◽  
Urban Road ◽  
Artificial Neural

Forecasting accident frequency of an urban road network: A comparison of four artificial neural network techniques

2018 ◽  
Vol 37 (7) ◽  
pp. 767-780 ◽  
Author(s):  
Hamid Behbahani ◽  
Amir Mohamadian Amiri ◽  
Reza Imaninasab ◽  
Meysam Alizamir
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Road Network ◽  
Urban Road Network ◽  
Urban Road ◽  
Accident Frequency ◽  
Artificial Neural

scholarly journals Deteksi Motif Batik Menggunakan Ekstraksi Tekstur dan Jaringan Syaraf Tiruan

2021 ◽  
Vol 10 (2) ◽  
pp. 69
Author(s):  
Raynaldi Fatih Amanullah ◽  
Ade Pujianto ◽  
Bayu Trisna Pratama ◽  
Kusrini Kusrini
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Local Binary Pattern ◽  
Cross Validation ◽  
Level 3 ◽  
Artificial Neural ◽  
Fold Cross Validation ◽  
F Measure

<p>Penelitian ini mengajukan sebuah metode klasifikasi batik menggunakan ekstraksi fitur tekstur serta klasifikasi menggunakan jaringan syaraf tiruan (artificial neural network). Metode ekstraksi fitur tekstur yang digunakan adalah DWT, GLCM dan Local Binary Pattern (LBP). Ekstraksi fitur dengan GLCM dan DWT menghasilkan 24 fitur yang terdiri dari 5 fitur GLCM dan koefisien energi dalam 4 sub-band channel hasil dekomposisi. Sementara ekstraksi fitur dengan LBP dilakukan dengan membangun histogram dari matriks hasil LBP. Fitur-fitur tersebut kemudian menjadi masukan bagi jaringan syaraf tiruan untuk kemudian diklasifikasi dalam 5 jenis batik: buketan, ceplok, kawung, parang dan truntum. Dataset yang digunakan adalah 50 gambar batik (10 untuk setiap motif) yang diambil secara acak di internet. Pengujian dilakukan dengan membandingkan dua kelompok fitur: DWT-GLCM dan DWT-GLCM-LBP untuk mengetahui metode ekstraksi fitur yang lebih baik dalam deteksi motif batik. Metode pengujian yang digunakan adalah K-Fold Cross Validation dengan hasil berupa confusion matriks untuk kemudian dihitung nilai akurasi dan F-Measure-nya. Hasil pengujian menunjukkan bahwa penggunaan ekstraksi fitur tekstur DWT-GLCM-LBP mampu mencapai akurasi 74% dengan jenis dekomposisi Daubechies 4 level 3.</p>

Autofluorescence spectroscopy of oral leukoplakia using an artificial neural network

2000 ◽  
Vol 25 (4) ◽  
pp. 325-325
Author(s):  
J.L.N. Roodenburg ◽  
H.J. Van Staveren ◽  
N.L.P. Van Veen ◽  
O.C. Speelman ◽  
J.M. Nauta ◽  
...  
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Oral Leukoplakia ◽  
Autofluorescence Spectroscopy ◽  
Artificial Neural

1902: Is Steinstrasse After ESWL of Renal Stones Predictable? Artificial Neural Network Analysis

2004 ◽  
Vol 171 (4S) ◽  
pp. 502-503
Author(s):  
Mohamed A. Gomha ◽  
Khaled Z. Sheir ◽  
Saeed Showky ◽  
Khaled Madbouly ◽  
Emad Elsobky ◽  
...  
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Network Analysis ◽  
Renal Stones ◽  
Neural Network Analysis ◽  
Artificial Neural Network Analysis ◽  
Artificial Neural

Forecasting travel demand: a comparison of logit and artificial neural network methods

1998 ◽  
Vol 49 (7) ◽  
pp. 717-722 ◽  
Author(s):  
M C M de Carvalho ◽  
M S Dougherty ◽  
A S Fowkes ◽  
M R Wardman
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Travel Demand ◽  
Network Methods ◽  
Artificial Neural
Sign in / Sign up

Export Citation Format

Share Document