หลักสูตรวิทยาศาสตร์มหาบัณฑิต(วท.ม.) สาขาเทคโนโลยีสารสนเทศ (MSIT) คณะวิทยาศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ (SWU)
เรื่อง การศึกษาเทคนิคจำแนกประเภทแบบหลายมุมมอง
หรือ A Study Of Classification Technique Using Multi-View.
บทคัดย่อ
การแยกแยะแบบหลายมุมมองใช้กับข้อมูลที่มีหลายมุมมองเช่นข้อมูลรูปภาพที่มีด้านหน้า และด้านข้าง โดยเราจะทำการจำแนกประเภทโดยรวมข้อมูลจากมุมมองต่างๆ เข้าด้วยกันทำให้ได้ประสิทธิภาพดีขึ้นเมื่อเปรียบเทียบกับการใช้ข้อมูลแบบมุมมองเดียวดังนั้นจึงมีนักวิจัยขยายแนวคิดการแยกแยะแบบหลายมุมมองมาใช้กับข้อมูลแบบมุมมองเดียว โดยแบ่งฟีเจอร์ออกเป็นหลายกลุ่มซึ่งแต่ละกลุ่มจะเป็นตัวแทนของหนึ่งมุมมอง อย่างไรก็ตามยังไม่มีใครเสนอวิธีการแยกแยะข้อมูลออกเป็นหลายมุมมองอย่างเป็นระบบ ในการศึกษานี้เรานำเสนอวิธีการที่เป็นระบบในการสร้างข้อมูลแบบหลายมุมมองขึ้นจากข้อมูลแบบมุมมองเดียว โดยใช้เทคนิคการเปลี่ยนแกนของข้อมูลได้แก่ PCA และ LDA การจำแนกแยกแยะแบบหลายมุมมองที่นำเสนอนี้ใช้เทคนิคการโหวตเสียงส่วนใหญ่ โดยการรวมผลการจำแนกแยกแยะจากตัวจำแนกหลายๆตัวที่ถูกเทรนด้วยข้อมูลจากมุมมองที่แตกต่างกัน ผลการทดลองแสดงให้เห็นว่าวิธีการนำเสนอนี้มีประสิทธิภาพมากกว่าวิธีจำแนกแยกแยะแบบมุมมองเดียว
Abstract
Multiview classification is a classification technique used when we have data sets with different views, for example image data sets taken from front and side views. The classification is performed by using data from different views collaboratively, leading to better performance compared with using data from a single view. Recently, researchers have extended the idea to address ordinary data sets with single view by dividing their features to several sets of features, each of which is considered as one view. However, there is no systematic way in dividing the whole features into different views. In this study, we propose a systematic approach in generating Multiview data sets from single view data set using coordinate transformation algorithms including PCA and LDA. The proposed Multiview classification uses majority vote to combine classification results from classifiers trained using data from different views. The experimental results show that the proposed method outperforms single-view classification method.