古普塔，拉利特;维诺德·巴桑盖;阿皮塔·帕特拉;迪亚纳，A。;苏克亨德·达斯 使用概率神经网络进行室内和室外场景分类。 （英文） 兹比尔1168.68521 EURASIP J.高级信号处理。 2007年，文章ID 94298，10 p.（2007）. 总结：我们提出了一种使用概率神经网络（PNN）进行室内与室外场景分类的方法。使用模糊C均值聚类（FCM）对场景进行初始分割（无监督），并从每个图像片段中提取基于颜色、纹理和形状的特征。因此，图像由一个特征集表示，每个图像段有一个单独的特征向量。由于片段的数量因场景而异，因此场景的特征集表示具有不同的维度。因此，使用改进的PNN对可变维特征集进行分类。该技术在两个数据库上进行了评估：IITM-SCID2（场景分类图像数据库）和Payne和Singh在2005年使用的数据库。使用改进的PNN比较了不同特征组合的性能。 引用于2文件 MSC公司： 68吨10 模式识别、语音识别 94甲12 信号理论（表征、重建、滤波等） 92B20型 生物研究、人工生命和相关主题中的神经网络 软件：简单性 PDF格式BibTeX公司 XML格式引用 \textit{L.Gupta}等人，EURASIP J.高级信号处理。2007年，文章ID 94298，第10页（2007年；Zbl 1168.68521） 全文： 内政部 参考文献： [1] doi:10.1117/1.482605·doi:10.1117/1.482605 [2] doi:10.1016/j.patcog.2004年12月14日·doi:10.1016/j.patcog.2004年12月14日 [3] doi:10.1016/0031-3203（95）00160-3·doi:10.1016/0031-3203（95）00160-3 [4] doi:10.1016/S0031-3203（98）00079-X·doi:10.1016/S0031-3203（98）00079-X [5] doi:10.1109/34.955109·doi:10.1109/34.955109 [6] doi:10.1016/j.patcog.2005.02.015·doi:10.1016/j.patcog.2005.02.015 [7] doi:10.1016/0031-3203（95）00054-2·doi:10.1016/0031-3203（95）00054-2 [8] doi:10.1016/S0031-3203（96）00116-1·doi:10.1016/S0031-3203（96）00116-1 [9] doi:10.1016/0893-6080（90）90049-Q·doi:10.1016/0893-6080（90）90049-Q 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。