دیتاست Statlog سیلوهای خودرو

دیتاست Statlog سیلوهای خودرو

این پروژه مربوط به دیتاست Statlog سیلوهای خودرو می باشد .هدف این است که یک شبح داده شده را به عنوان یکی از چهار نوع وسیله نقلیه طبقه بندی کنید، با استفاده از مجموعه ای از ویژگی های استخراج شده از شبح. وسیله نقلیه ممکن است از یکی از زوایای مختلف دیده شود.

تاریخ:

این داده ها در اصل در TI در سال های ۱۹۸۶-۸۷ توسط JP Siebert جمع آوری شد. بخشی از آن توسط Barr و Stroud Ltd. تأمین مالی شده بود. هدف اصلی این بود که یک روش تشخیص اشیاء ۳D را در یک تصویر ۲D با استفاده از مجموعه ای از استخراج ویژگی های شکل به شبکۀ ۲D اشیا پیدا کنیم. ابعاد ویژگی های شکل استخراج شده از چهره های نمونه ای از اشیاء که مورد تبعیض قرار می گیرند، برای تولید یک رده بندی طبقه بندی با استفاده از القاء کامپیوتر استفاده می شود.

این استراتژی به رسمیت شناختن هدف با موفقیت مورد استفاده قرار گرفت تا بین سایه ها از مدل های اتومبیل، وانت و اتوبوس ها از ارتفاع محدود، اما تمام زوایای چرخش مشاهده شود.

عملکرد طبقه بندی درخت قانون به طور مطلوب در مقایسه با نرخ خطای و بازده محاسباتی، به رده های رده پایین( MDC و K-NN (k-نزدیکترین همسایه طبقه بندی های مطلوب بستگی دارد. تحقیق در مورد این درخت های حاکم بر اساس نمونه نشان می دهد که ساختار درخت به شدت تحت تاثیر قرار دادن اشیا قرار گرفته و نمایه های شئ مشابه مشابه را به تصمیم های یکسان طبقه بندی می کند.

شرح:

این ویژگی ها از سایه ها توسط BINATTS فرمت HIPS (پردازش پردازش تصویر سلسله مراتبی) استخراج شده است که ترکیبی از ویژگی های مستقل مقیاس را با استفاده از هر دو اقدامات مبتنی بر لحظات کلاسیک مانند واریانس مقیاس، ناهمواری و سقط جنین در مورد محورهای اصلی / جزئی و اندازه گیری های اکتشافی مانند توخالی، دایره ای، مستطیل شکل و فشردگی.

وسایل نقلیه چهارگانه Corgie برای آزمایش: اتوبوس دو طبقه، Cheverolet Van، Saab 9000 و Opel Manta 400 استفاده شد. این ترکیبی از وسایل نقلیه با توجه به اینکه اتوبوس، وانت و یا یکی از اتومبیل ها به راحتی قابل تشخیص باشد، اما بین خودروها تفاوت خواهد داشت.

تصاویر توسط یک دوربین به پایین به پایین در خودرو مدل از زاویه ثابت ارتفاع (۳۴٫۲ درجه به افقی) به دست آورد. وسایل نقلیه بر روی سطح نور پس زمینه پخش شده (سبد) قرار گرفتند. وسایل نقلیه به رنگ مات سیاه رنگ به حداقل رساندن برجسته. تصاویر با استفاده از یک فروشگاه قاب CRS4000 متصل به یک واکس ۷۵۰ اسیر شد. تمام تصاویر با وضوح فضایی ۱۲۸x128 پیکسل به ۶۴ گریلولس گرفته شد. این تصاویر برای ساخت صحنه های دوچرخه سواری خودرو ساخته شده اند و به نظر می رسد (مطابق با الزامات پردازش باینات) و پس از آن ماژول های HIPS به کوچک شدن، گسترش و گسترش کوچک برای حذف صدای تصویر “نمک و فلفل” اعمال می شود.

وسایل نقلیه چرخانده شدند و زاویه جهت گیری آنها با استفاده از یک گرادیان شعاعی زیر وسیله نقلیه اندازه گیری شد. ۰ و ۱۸۰ درجه به ترتیب به نمایش “سر” و “عقب” مطابقت داده می شود در حالی که ۹۰ و ۲۷۰ مربوط به پروفیل ها در جهت مخالف است. دو مجموعه از ۶۰ تصویر، هر مجموعه ای که چرخش کامل ۳۶۰ درجه را پوشش می دهد، برای هر وسیله نقلیه اسیر شد. وسیله نقلیه با زاویه ثابت بین تصاویر چرخانده شد. این مجموعه داده ها به ترتیب e2 و e3 شناخته می شوند.

دو مجموعه از تصاویر، e4 و e5 با دوربین با افزایش ارتفاع ۳۷٫۵ درجه و ۳۰٫۸ درجه به دست آمد. این مجموعه ها همچنین شامل ۶۰ عکس در هر وسیله نقلیه جدا از e4.van است که تنها ۴۶ تن را شامل می شود زیرا دشواری داشتن ون در تصویر در برخی از جهت ها.

تعداد نمونه ها:

۹۴۶

تعداد ویژگی ها:

۱۸

داده های پرت:

این دیتاست فاقد داده های پرت یا Missing Values می باشد

امکانات پروژه دیتاست Statlog سیلوهای خودرو :

• این دیتاست دارای یک داکیومنت کامل فارسی است. در این داکیومنت عنوان دیتاست، توضیحات کامل دیتاست، تعداد ویژگی ها، تعداد نمونه ها، توضیح تمام ویژگی های موجود و لینک دیتاست تشریح شده است.
• این دیتاست دارای یک داکیومنت کامل انگلیسی نیز می باشد، که در این دیتاست اطلاعات کاملی به زبان لاتین در رابطه با دیتاست معرفی شده ارائه شده است.
• پس از خرید، امکان دانلود فایل اصلی دیتاست در قالب فایل اکسل میسر است.
• فایل پیش پردازش دیتاست
• وجود فایل ARFF و قابل اجرا در نرم افزار داده کاوی مثل وکا
• امکان دانلود لینک دیتاست در یک فایل متنی به صورت جداگانه

نکته: برای این دیتاست انواع الگوریتم های داده کاوی اعم از ۱۴۷ الگوریتم دسته بندی (مثل: درخت تصمیم، شبکه عصبی، ماشین بردار پشتیبان و …)، ۶ الگوریتم خوشه بندی (مثل: K-Means ، DBSCAN ،X-Means و…)، ۳ الگوریتم انجمنی (مثل Apriori ، FP-Growth و …) و چندین الگوریتم انتخاب ویژگی (مثل PSO و …) با استفاده از ابزارهای داده کاوی و برنامه نویسی اعم از رپیدماینر، وکا، تاناگرا، SPSS، مدلر، کلمنتاین، متلب و … تهیه و پیاده سازی شده است.