Published January 1, 2019
| Version v1
Publication
Open
An Efficient Framework for Animal Breeds Classification Using Semi-Supervised Learning and Multi-Part Convolutional Neural Network (MP-CNN)
Description
The automatic classification of animal images is an onerous task due to the challenging image conditions, especially when it comes to animal breeds. In this paper, we built a semi-supervised learning based Multi-part Convolutional Neural Network (MP-CNN) that classifies 35,992 animal images from ImageNet into 27 different classes of animals. The proposed model classifies the animals on both generic and fine-grained level. The animal breeds are accurately classified using Multi-part Convolutional Neural Network with a hybrid feature extraction framework of Fisher Vector based Stacked Autoencoder. Furthermore, with Semi-supervised learning based pseudo-labels, the model classifies new classes of unlabeled images too. Modified Hellinger Kernel classifier has been used to re-train the misclassified classes of animals and thereby improve the performance obtained from MP-CNN. The model has experimented with varied tasks to analyze its performance in each of the cases. The experimental results have proved that the coalesced approach of MP-CNN with pseudo-labels can accurately classify animal breeds and we have achieved an accuracy of 99.95% from the proposed model.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد التصنيف التلقائي للصور الحيوانية مهمة شاقة بسبب ظروف الصورة الصعبة، خاصة عندما يتعلق الأمر بالسلالات الحيوانية. في هذه الورقة، قمنا ببناء شبكة عصبية التفافية متعددة الأجزاء (MP - CNN) قائمة على التعلم شبه الخاضع للإشراف والتي تصنف 35992 صورة حيوانية من ImageNet إلى 27 فئة مختلفة من الحيوانات. يصنف النموذج المقترح الحيوانات على كل من المستوى العام ومستوى الحبيبات الدقيقة. يتم تصنيف السلالات الحيوانية بدقة باستخدام الشبكة العصبية الالتوائية متعددة الأجزاء مع إطار استخراج ميزة هجين من جهاز الترميز التلقائي المكدس القائم على فيشر فيكتور. علاوة على ذلك، مع التسميات الزائفة القائمة على التعلم شبه الخاضع للإشراف، يصنف النموذج فئات جديدة من الصور غير المسماة أيضًا. تم استخدام مصنف Hellinger Kernel المعدل لإعادة تدريب الفئات الخاطئة من الحيوانات وبالتالي تحسين الأداء الذي تم الحصول عليه من MP - CNN. جرب النموذج مهامًا متنوعة لتحليل أدائه في كل حالة من الحالات. أثبتت النتائج التجريبية أن النهج المدمج لـ MP - CNN مع العلامات الزائفة يمكن أن يصنف السلالات الحيوانية بدقة وحققنا دقة 99.95 ٪ من النموذج المقترح.Translated Description (French)
La classification automatique des images d'animaux est une tâche fastidieuse en raison des conditions d'image difficiles, en particulier lorsqu'il s'agit de races animales. Dans cet article, nous avons construit un réseau neuronal convolutionnel en plusieurs parties (MP-CNN) basé sur l'apprentissage semi-supervisé qui classe 35 992 images d'animaux d'ImageNet en 27 classes d'animaux différentes. Le modèle proposé classe les animaux à la fois au niveau générique et au niveau à grain fin. Les races animales sont classées avec précision à l'aide d'un réseau neuronal convolutionnel en plusieurs parties avec un cadre d'extraction de caractéristiques hybrides d'un auto-encodeur empilé basé sur Fisher Vector. De plus, avec les pseudo-étiquettes basées sur l'apprentissage semi-supervisé, le modèle classe également de nouvelles classes d'images non étiquetées. Le classificateur Hellinger Kernel modifié a été utilisé pour réentraîner les classes d'animaux mal classées et ainsi améliorer les performances obtenues à partir de MP-CNN. Le modèle a expérimenté des tâches variées pour analyser ses performances dans chacun des cas. Les résultats expérimentaux ont prouvé que l'approche coalescée de MP-CNN avec des pseudo-étiquettes peut classer avec précision les races animales et nous avons atteint une précision de 99,95 % à partir du modèle proposé.Translated Description (Spanish)
La clasificación automática de imágenes de animales es una tarea onerosa debido a las difíciles condiciones de imagen, especialmente cuando se trata de razas animales. En este documento, construimos una red neuronal convolucional multiparte (MP-CNN) basada en el aprendizaje semi-supervisado que clasifica 35.992 imágenes de animales de ImageNet en 27 clases diferentes de animales. El modelo propuesto clasifica a los animales tanto a nivel genérico como de grano fino. Las razas animales se clasifican con precisión utilizando la red neuronal convolucional de múltiples partes con un marco de extracción de características híbrido del autocodificador apilado basado en Fisher Vector. Además, con pseudoetiquetas basadas en aprendizaje semi-supervisado, el modelo también clasifica nuevas clases de imágenes sin etiquetar. El clasificador modificado del núcleo de Hellinger se ha utilizado para volver a entrenar a las clases de animales mal clasificadas y, por lo tanto, mejorar el rendimiento obtenido de MP-CNN. El modelo ha experimentado con tareas variadas para analizar su desempeño en cada uno de los casos. Los resultados experimentales han demostrado que el enfoque combinado de MP-CNN con pseudoetiquetas puede clasificar con precisión las razas animales y hemos logrado una precisión del 99,95% a partir del modelo propuesto.Files
08877750.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:7ed9a482ce5ac3c4b0b147a6b306952b
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- إطار فعال لتصنيف سلالات الحيوانات باستخدام التعلم شبه الخاضع للإشراف والشبكة العصبية التفافية متعددة الأجزاء (MP - CNN)
- Translated title (French)
- Un cadre efficace pour la classification des races animales utilisant l'apprentissage semi-supervisé et le réseau neuronal convolutif multipartite (MP-CNN)
- Translated title (Spanish)
- Un marco eficiente para la clasificación de razas animales mediante el aprendizaje semi-supervisado y la red neuronal convolucional de múltiples partes (MP-CNN)
Identifiers
- Other
- https://openalex.org/W2981769978
- DOI
- 10.1109/access.2019.2947717
References
- https://openalex.org/W1496650988
- https://openalex.org/W1531492214
- https://openalex.org/W1898560071
- https://openalex.org/W1955942245
- https://openalex.org/W1967632700
- https://openalex.org/W1977295328
- https://openalex.org/W1980526845
- https://openalex.org/W1982025193
- https://openalex.org/W1988898685
- https://openalex.org/W2068562306
- https://openalex.org/W2079789819
- https://openalex.org/W2088049833
- https://openalex.org/W2104657103
- https://openalex.org/W2108598243
- https://openalex.org/W2117539524
- https://openalex.org/W2118696714
- https://openalex.org/W2126194992
- https://openalex.org/W2136655611
- https://openalex.org/W2168356304
- https://openalex.org/W2202499615
- https://openalex.org/W2211589372
- https://openalex.org/W2247349754
- https://openalex.org/W2407072190
- https://openalex.org/W2515116636
- https://openalex.org/W2544405876
- https://openalex.org/W2555741539
- https://openalex.org/W2560552919
- https://openalex.org/W2735758519
- https://openalex.org/W2769210209
- https://openalex.org/W2773003563
- https://openalex.org/W2792776302
- https://openalex.org/W2795469233
- https://openalex.org/W2943353067
- https://openalex.org/W2943960405
- https://openalex.org/W2964231383
- https://openalex.org/W2964298670
- https://openalex.org/W56385144