Region of Interest based Topological Structure Extraction using Growing Neural Gas for Environmental Recognition

2016 ◽  
Vol 2016 (0) ◽  
pp. 1A2-10a2
Author(s):  
Yuichiro TODA ◽  
Shin MIYAKE ◽  
Naoyuki TAKESUE ◽  
Kazuyoshi WADA ◽  
Naoyuki KUBOTA
Keyword(s):  
Topological Structure ◽  
Region Of Interest ◽  
Growing Neural Gas ◽  
Neural Gas ◽  
Structure Extraction

scholarly journals Multilayer Batch Learning Growing Neural Gas for Learning Multiscale Topologies

2021 ◽  
Vol 25 (6) ◽  
pp. 1011-1023
Author(s):  
Yuichiro Toda ◽  
◽  
Takayuki Matsuno ◽  
Mamoru Minami
Keyword(s):  
Topological Structure ◽  
Input Data ◽  
Structure Learning ◽  
Learning Algorithm ◽  
Data Distribution ◽  
Growing Neural Gas ◽  
Topological Structures ◽  
Neural Gas ◽  
Batch Learning ◽  
Learning Convergence

Hierarchical topological structure learning methods are expected to be developed in the field of data mining for extracting multiscale topological structures from an unknown dataset. However, most methods require user-defined parameters, and it is difficult for users to determine these parameters and effectively utilize the method. In this paper, we propose a new parameter-less hierarchical topological structure learning method based on growing neural gas (GNG). First, we propose batch learning GNG (BL-GNG) to improve the learning convergence and reduce the user-designed parameters in GNG. BL-GNG uses an objective function based on fuzzy C-means to improve the learning convergence. Next, we propose multilayer BL-GNG (MBL-GNG), which is a parameter-less unsupervised learning algorithm based on hierarchical topological structure learning. In MBL-GNG, the input data of each layer uses parent nodes to learn more abstract topological structures from the dataset. Furthermore, MBL-GNG can automatically determine the number of nodes and layers according to the data distribution. Finally, we conducted several experiments to evaluate our proposed method by comparing it with other hierarchical approaches and discuss the effectiveness of our proposed method.

From Point Cloud to Triangular Mesh by Growing Neural Gas

2014 ◽  
Vol 24 (3) ◽  
pp. 651-662
Author(s):  
Feng ZENG ◽  
Tong YANG ◽  
Shan YAO
Keyword(s):  
Point Cloud ◽  
Triangular Mesh ◽  
Growing Neural Gas ◽  
Neural Gas

Growing Neural Gas Based on Data Density

2018 ◽  
pp. 314-323
Author(s):  
Lukáš Vojáček ◽  
Pavla Dráždilová ◽  
Jiří Dvorský
Keyword(s):  
Growing Neural Gas ◽  
Neural Gas ◽  
Data Density

scholarly journals Real-time 3D point cloud segmentation using Growing Neural Gas with Utility

2016 ◽  
Author(s):  
Yuichiro Toda ◽  
Zhaojie Ju ◽  
Hui Yu ◽  
Naoyuki Takesue ◽  
Kazuyoshi Wada ◽  
...  
Keyword(s):  
Real Time ◽  
Point Cloud ◽  
3D Point Cloud ◽  
Growing Neural Gas ◽  
Neural Gas ◽  
Point Cloud Segmentation

scholarly journals Sztuczne sieci neuronowe i teledetekcja w ocenie porażenia pszenicy jarej fuzariozą kłosów

2020 ◽  
pp. 67-75
Author(s):  
Wiesław Golka ◽  
Edward Arseniuk ◽  
Adrian Golka ◽  
Tomasz Góral
Keyword(s):  
Fusarium Spp ◽  
Growing Neural Gas ◽  
Vegetation Control ◽  
Neural Gas

Celem prac badawczych było wykorzystanie teledetekcji oraz sztucznych sieci neuronowych w ocenie pszenicy jarej pod względem reakcji na fuzariozę kłosów wywoływaną przez grzyby z rodzaju Fusarium spp. Prace badawcze wykonano na roślinach 4 odmian pszenicy jarej. Były to: KWS Torridon i Izera – o wyższej odporności, Radocha i Nawra – o odporności niższej na ww. patogena. Wykonano zdjęcia zdrowych oraz porażonych kłosów wszystkich odmian, które następnie przetworzono przy użyciu programu Crops Vegetation Control Lab (CVC Lab.). Na podstawie uzyskanych obrazów utworzono ich reprezentacje w postaci sieci neuronowych Growing Neural Gas (GNG). W wyniku analizy zdjęć uzyskano 240 wzorców, z których wybrano po 6 bazowych wzorców choroby dla każdej odmiany. Następnie dokonano porównania próbek porażonych kłosów danej odmiany z bazowymi wzorcami chorobowymi tej samej odmiany pszenicy. W wyniku porównania wzorców roślin zdrowych i porażonych ze zdjęciami poletek roślin zdrowych i porażonych uzyskano zróżnicowanie wartości liczbowych dającej podstawę do konstrukcji mapy zdrowotności plantacji pszenicy z wyszczególnieniem ognisk choroby.

Fast Autonomous Growing Neural Gas

2011 ◽  
Author(s):  
J. Garcia-Rodriguez ◽  
A. Angelopoulou ◽  
J.M. Garcia-Chamizo ◽  
A. Psarrou ◽  
S. Orts-Escolano ◽  
...  
Keyword(s):  
Growing Neural Gas ◽  
Neural Gas
Sign in / Sign up

Export Citation Format

Share Document