Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/58426
Title: การใช้พารามิเตอร์ที่สร้างจากภาคตัดกรวยในการจำแนกเลขที่บ้านจากกูเกิลสตรีตวิวด้วยวิธีซัพพอร์ตเวกเตอร์แมชชีน
Other Titles: STREET VIEW HOUSE NUMBERS SUPPORT VECTOR MACHINE CLASSIFICATION USING PARAMETERS DERIVED FROM CONIC SECTIONS
Authors: พงศ์ศรัณย์ เทียมตะวัน
Advisors: อัครินทร์ ไพบูลย์พานิช
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะพาณิชยศาสตร์และการบัญชี
Advisor's Email: Akarin.P@chula.ac.th,akarin@cbs.chula.ac.th
Issue Date: 2560
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: การรู้จำตัวเลขเป็นปัญหาสำคัญหนึ่งในสาขาคอมพิวเตอร์วิทัศน์และการรู้จำแบบ งานวิจัยนี้ทำการจำแนกตัวเลขจากฐานข้อมูลเลขที่บ้านจากกูเกิล สตรีตวิว ซึ่งมีความสำคัญต่อการปรับปรุงความถูกต้องของแผนที่และระบบนำทางในปัจจุบัน (Netzer และคณะ, 2012) โดยใช้พารามิเตอร์ที่ได้จากลักษณะเชิงเรขาคณิตวิเคราะห์ของตัวเลขในการสร้างตัวแบบ และใช้ซัพพอร์ตเวกเตอร์แมชชีนในการจำแนกตัวเลข โดยเปรียบเทียบผลลัพธ์การจำแนกตัวเลขระหว่าง 4 เคอร์เนล ได้แก่ เคอร์เนลเชิงเส้น, เคอร์เนลพหุนาม, เคอร์เนลเรเดียล และเคอร์เนลซิกมอยด์ รวมถึงเปรียบเทียบความสำคัญของแต่ละลักษณะว่ามีผลต่อการจำแนกตัวเลขอย่างไร หลังจากเตรียมข้อมูลรูปภาพก่อนการสร้างตัวแบบ ในการดึงลักษณะจะใช้การแปลงฮัฟ (Hough transform) ในการค้นหารูปร่างภาคตัดกรวยที่พบในรูปขอบของตัวเลข 4 รูปแบบ ได้แก่ เส้นตรง, วงรี, พาราโบลาแนวตั้ง และพาราโบลาแนวนอน พบว่า เคอร์เนลเรเดียลให้ผลลัพธ์การจำแนกตัวเลขดีที่สุด คือ 72.17% และใช้เวลาในการสร้างตัวแบบ 22.36 นาที ลักษณะที่เกี่ยวข้องกับเส้นตรงมีความสำคัญต่อการจำแนกตัวเลขมากที่สุด รองลงมาคือ วงรี พาราโบลาแนวนอน และพาราโบลาแนวตั้ง ตามลำดับ
Other Abstract: Digits recognition is a major problem in computer visions and pattern recognition. In this study, we classify digits from the Street View House Numbers dataset (SVHN) which is important for improving map accuracy and navigation system (Netzer et al., 2012). We use parameters derived from digits’ analytically geometric characteristics as features and classify them via support vector machine (SVM) comparing the accuracy rate of 4 kernels i.e. linear, polynomial, radial basis function (RBF), and sigmoid. Also, we measure each feature’s importance for digit classification. After preprocessing image data, we apply Hough transform to detect 4 conic sections i.e. line, ellipse, vertical parabola, and horizontal parabola from the digit’s edge images and extract corresponding parameters as features. We found that the best kernel is RBF yielding 72.17% accuracy rate and 22.36 minutes to train data. The most important features are line’s features. The next ones are features of ellipse, horizontal parabola, and vertical parabola, respectively.
Description: วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2560
Degree Name: วิทยาศาสตรมหาบัณฑิต
Degree Level: ปริญญาโท
Degree Discipline: สถิติ
URI: http://cuir.car.chula.ac.th/handle/123456789/58426
URI: http://doi.org/10.58837/CHULA.THE.2017.1531
metadata.dc.identifier.DOI: 10.58837/CHULA.THE.2017.1531
Type: Thesis
Appears in Collections:Acctn - Theses

Files in This Item:
File Description SizeFormat 
5881547426.pdf3 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.