Saliency detection based on feature learning using Deep Boltzmann Machines

2014 ◽  
Author(s):  
Shifeng Wen ◽  
Junwei Han ◽  
Dingwen Zhang ◽  
Lei Guo
Keyword(s):  
Saliency Detection ◽  
Feature Learning ◽  
Boltzmann Machines ◽  
Deep Boltzmann Machines

scholarly journals Image Classification Based on Convolutional Denoising Sparse Autoencoder

2017 ◽  
Vol 2017 ◽  
pp. 1-16 ◽  
Author(s):  
Shuangshuang Chen ◽  
Huiyi Liu ◽  
Xiaoqin Zeng ◽  
Subin Qian ◽  
Jianjiang Yu ◽  
...  
Keyword(s):  
Image Classification ◽  
Saliency Detection ◽  
Feature Learning ◽  
Classification Performance ◽  
Local Contrast ◽  
Unsupervised Feature Learning ◽  
Semantic Categories ◽  
Sparse Autoencoder ◽  
Contrast Normalization ◽  
Center Bias

Image classification aims to group images into corresponding semantic categories. Due to the difficulties of interclass similarity and intraclass variability, it is a challenging issue in computer vision. In this paper, an unsupervised feature learning approach called convolutional denoising sparse autoencoder (CDSAE) is proposed based on the theory of visual attention mechanism and deep learning methods. Firstly, saliency detection method is utilized to get training samples for unsupervised feature learning. Next, these samples are sent to the denoising sparse autoencoder (DSAE), followed by convolutional layer and local contrast normalization layer. Generally, prior in a specific task is helpful for the task solution. Therefore, a new pooling strategy—spatial pyramid pooling (SPP) fused with center-bias prior—is introduced into our approach. Experimental results on the common two image datasets (STL-10 and CIFAR-10) demonstrate that our approach is effective in image classification. They also demonstrate that none of these three components: local contrast normalization, SPP fused with center-prior, and l2 vector normalization can be excluded from our proposed approach. They jointly improve image representation and classification performance.

scholarly journals A metaheuristic-driven approach to fine-tune Deep Boltzmann Machines

2020 ◽  
Vol 97 ◽  
pp. 105717 ◽  
Author(s):  
Leandro Aparecido Passos ◽  
João Paulo Papa
Keyword(s):  
Boltzmann Machines ◽  
Deep Boltzmann Machines ◽  
Fine Tune

A 3D model recognition mechanism based on deep Boltzmann machines

2015 ◽  
Vol 151 ◽  
pp. 593-602 ◽  
Author(s):  
Biao Leng ◽  
Xiangyang Zhang ◽  
Ming Yao ◽  
Zhang Xiong
Keyword(s):  
3D Model ◽  
Recognition Mechanism ◽  
Boltzmann Machines ◽  
Deep Boltzmann Machines ◽  
Model Recognition

scholarly journals Reduced order models and machine learning in analysis and optimum design of structures

2019 ◽  
Author(s):  
Νικόλαος Καλλιώρας
Keyword(s):  
Machine Learning ◽  
Optimum Design ◽  
Isotropic Material ◽  
Harmony Search ◽  
Reduced Order Models ◽  
Generative Design ◽  
Reduced Order ◽  
Boltzmann Machines ◽  
Deep Boltzmann Machines

Ο βέλτιστος σχεδιασμός κατασκευών απασχολεί τον άνθρωπο από την εποχή της πρώτης κατασκευής. Το ενδιαφέρον αυτό αυξήθηκε με την αύξηση του μεγέθους και της πολυπλοκότητας των κατασκευών. Η ανάλυση των κατασκευών και ο υπολογιστικός της φόρτος εξαρτάται από το μέγεθος και την πολυπλοκότητα των κατασκευών. Η χρήση προσεγγιστικών μεθόδων αυξήθηκε λόγω της αύξησης του υπολογιστικού φόρτου που απαιτούν οι ακριβείς μέθοδοι. Στην παρούσα διδακτορική διατριβή παρουσιάζεται συνεισφορά στους μεταευρετικούς αλγόριθμους, τα μοντέλα μειωμένης τάξης, τους αλγόριθμους μηχανικής μάθησης, την βελτιστοποίησης τοπολογίας και το generative design. Συγκεκριμένα, παρουσιάζεται ένας νέος μεταευρετικός αλγόριθμος που δημιουργήθηκε στα πλαίσια της διδακτορικής διατριβής αλλά και μια βελτιωμένη έκδοση του αλγόριθμου Harmony Search που αρχικά έχει προταθεί από τον Καθηγητή κ. Zong Woo Geem. Επίσης παρουσιάζονται τέσσερις διαφορετικές μεθοδολογίες συνδυασμού αλγορίθμων βαθιών νευρωνικών δικτύων και του αλγόριθμου βελτιστοποίησης τοπολογίας Solid Isotropic Material with Penalization (SIMP). Η πρώτη μεθοδολογία, DL-TOP, χρησιμοποιεί Deep Boltzmann Machines για να προβλέψει την τελική πυκνότητα των πεπερασμένων στοιχείων στη διαδικασία της βελτιστοποίησης τοπολογίας μελετώντας πλήθος αρχικών τιμών τους. Η μεθοδολογία DL-SCALE χρησιμοποιεί Deep Boltzmann Machines σε μια λογική Model Upgrading για να επιταχύνει την βελτιστοποίηση τοπολογίας μέσω μοντέλων μειωμένης τάξης και πύκνωσης του πλέγματος των πεπερασμένων στοιχείων. Η Τρίτη μεθοδολογία, DLRM-TOP, χρησιμοποιεί βαθιά νευρωνικά δίκτυα για να προβλέψει την τελική πυκνότητα κάθε πεπερασμένου στοιχείου βάση πληροφορίας από την τελική κατάσταση των μοντέλων μειωμένης τάξης. Η τέταρτη μεθοδολογία, CN-TOP, χρησιμοποιεί βαθιά συνελικτικά νευρωνικά δίκτυα που βελτιώνουν την ποιότητα εικόνας για την επιτάχυνση της βελτιστοποίησης τοπολογίας. Τέλος παρουσιάζεται μια λογική συνδυασμού βαθιών νευρωνικών δικτύων και SIMP για την αυτόματη παραγωγή πληθώρας σχεδιασμών χωρίς την παρέμβαση του χρήστη σε μια λογική generative design. Το μόνο που απαιτείται από τον χρήστη είναι ο ορισμός του προβλήματος. Τα αποτελέσματα των παραπάνω μεθοδολογιών (επιτάχυνση διαδικασιών και παραγωγή σχεδιασμών) που παρουσιάζονται στην διδακτορική διατριβή κάνουν φανερό πως η μηχανική μάθηση και οι σύγχρονες τεχνικές της μπορούν να αποτελέσουν σημαντικά εργαλεία στην επιστήμη του πολιτικού μηχανικού.

Sign in / Sign up

Export Citation Format

Share Document