Yıl: 2021 Cilt: 9 Sayı: 1 Sayfa Aralığı: 15 - 21 Metin Dili: İngilizce DOI: 10.51354/mjen.822630

A TensorFlow implementation of Local Binary Patterns Transform

Öz:
Feature extraction layers like Local Binary Patterns (LBP) transform can be very useful for improving the accuracy of machine learning and deep learning models depending on the problem type. Direct implementations of such layers in Python may result in long running times, and training a computer vision model may be delayed significantly. For this purpose, TensorFlow framework enables developing accelerated custom operations based on the existing operations which already have support for accelerated hardware such as multicore CPU and GPU. In this study, LBP transform which is used for feature extraction in various applications, was implemented based on TensorFlow operations. The evaluations were done using both standard Python operations and TensorFlow library for performance comparisons. The experiments were realized using images in various dimensions and various batch sizes. Numerical results show that algorithm based on TensorFlow operations provides good acceleration rates over Python runs. The implementation of LBP can be used for the accelerated computing for various feature extraction purposes including machine learning as well as in deep learning applications.
Anahtar Kelime:

Konular:
Fen > Mühendislik > Bilgisayar Bilimleri, Yapay Zeka
Fen > Mühendislik > Bilgisayar Bilimleri, Sibernitik
Fen > Mühendislik > Bilgisayar Bilimleri, Bilgi Sistemleri
Fen > Mühendislik > Mühendislik, Elektrik ve Elektronik
Fen > Mühendislik > Mühendislik, Makine
Fen > Mühendislik > Mühendislik, Petrol
Fen > Mühendislik > Jeoloji
Fen > Mühendislik > Malzeme Bilimleri, Biyomalzemeler
Fen > Mühendislik > Polimer Bilimi
Fen > Mühendislik > Malzeme Bilimleri, Kompozitler
Fen > Tıp > Biyokimya ve Moleküler Biyoloji
Fen > Mühendislik > Taşınım Bilimi ve Teknolojisi
Fen > Mühendislik > Nanobilim ve Nanoteknoloji
Fen > Mühendislik > Malzeme Bilimleri, Kâğıt ve Ahşap
Fen > Mühendislik > Enerji ve Yakıtlar
Fen > Mühendislik > Bilgisayar Bilimleri, Donanım ve Mimari
Fen > Mühendislik > Metalürji Mühendisliği
Fen > Mühendislik > Malzeme Bilimleri, Özellik ve Test
Fen > Temel Bilimler > Entomoloji
Fen > Temel Bilimler > Matematik
Fen > Temel Bilimler > Kimya, Analitik
Fen > Temel Bilimler > Kimya, Uygulamalı
Fen > Temel Bilimler > Kimya, Tıbbi
Fen > Temel Bilimler > Kimya, Organik
Fen > Temel Bilimler > Kimya, İnorganik ve Nükleer
Fen > Temel Bilimler > Mineraloji
Fen > Temel Bilimler > Optik
Fen > Temel Bilimler > Taşınım
Fen > Temel Bilimler > Zooloji
Fen > Temel Bilimler > Fizik, Uygulamalı
Fen > Temel Bilimler > Fizik, Matematik
Fen > Temel Bilimler > Fizik, Nükleer
Fen > Temel Bilimler > İstatistik ve Olasılık
Fen > Mühendislik > İnşaat ve Yapı Teknolojisi
Fen > Mühendislik > Hücre ve Doku Mühendisliği
Fen > Mühendislik > Mühendislik, Hava ve Uzay
Fen > Mühendislik > Mühendislik, Kimya
Fen > Mühendislik > Mühendislik, Jeoloji
Fen > Mühendislik > Endüstri Mühendisliği
Fen > Mühendislik > Orman Mühendisliği
Fen > Mühendislik > Malzeme Bilimleri, Seramik
Fen > Mühendislik > Malzeme Bilimleri, Tekstil
Fen > Tıp > Biyoteknoloji ve Uygulamalı Mikrobiyoloji
Fen > Mühendislik > Jeokimya ve Jeofizik
Fen > Mühendislik > Gıda Bilimi ve Teknolojisi
Fen > Temel Bilimler > Biyoloji
Fen > Temel Bilimler > Fizikokimya
Fen > Temel Bilimler > Parazitoloji
Fen > Temel Bilimler > Fizik, Katı Hal
Fen > Temel Bilimler > Fizik, Akışkanlar ve Plazma
Fen > Temel Bilimler > Fizik, Partiküller ve Alanlar
Fen > Mühendislik > Yeşil, Sürdürülebilir Bilim ve Teknoloji
Fen > Mühendislik > Bilgisayar Bilimleri, Yazılım Mühendisliği
Fen > Mühendislik > Bilgisayar Bilimleri, Teori ve Metotlar
Fen > Mühendislik > İnşaat Mühendisliği
Fen > Mühendislik > Çevre Mühendisliği
Fen > Mühendislik > İmalat Mühendisliği
Fen > Mühendislik > Nükleer Bilim ve Teknolojisi
Fen > Mühendislik > Mühendislik, Biyotıp
Fen > Mühendislik > Malzeme Bilimleri, Kaplamalar ve Filmler
Fen > Mühendislik > Maden İşletme ve Cevher Hazırlama
Fen > Temel Bilimler > Ekoloji
Fen > Temel Bilimler > Çevre Bilimleri
Fen > Temel Bilimler > Genetik ve Kalıtım
Fen > Temel Bilimler > Spektroskopi
Fen > Temel Bilimler > Fizik, Atomik ve Moleküler Kimya
Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [1] Abadi M. et al., “TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems,” arXiv Prepr. arXiv1603.04467, (2016).
  • [2] Abadi M.et al., “TensorFlow: A system for large-scale machine learning,” in Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation, OSDI 2016, (2016), 265–283.
  • [3] Chien S.W.D., Markidis S., Olshevsky V., Bulatov Y., Laure E., Vetter J., “TensorFlow Doing HPC,” in 2019 IEEE International Parallel and Distributed Processing Symposium Workshops (IPDPSW), (2019), 509–518.
  • [4] Agrawal A.et al., “TensorFlow Eager: A Multi-Stage, Python-Embedded DSL for Machine Learning,” arXiv Prepr. arXiv1903.01855, (2019).
  • [5] Parisi L., Neagu D., Ma R., Campean F., “QReLU and m-QReLU: Two novel quantum activation functions to aid medical diagnostics,” arXiv Prepr. arXiv2010.08031, (2020).
  • [6] Williams T., Li R., “Wavelet pooling for convolutional neural networks,” in 6th International Conference on Learning Representations, ICLR 2018 - Conference Track Proceedings, (2018).
  • [7] Pakravan S., Mistani P.A., Aragon-Calvo M.A., Gibou F., “Solving inverse-PDE problems with physics-aware neural networks,” arXiv Prepr. arXiv2001.03608, (2020).
  • [8] Perepelkin D., Ivanchikova M., “Research of Neural Network Architectures for Solving Adaptive Routing Problems in Multiprovider Networks of Distributed Data Centers,” in 2020 9th Mediterranean Conference on Embedded Computing, MECO 2020, (2020), 1–5.
  • [9] Pietikäinen M., Hadid A., Zhao G., Ahonen T., Computer Vision Using Local Binary Patterns, vol. 40. Springer Science & Business Media, (2011).
  • [10] Pietikäinen M., “Local Binary Patterns,” Scholarpedia, 5, 3, (2010), 9775.
  • [11] Al-Shatnawi A., Al-Saqqar F., Alhusban S., “A holistic model for recognition of handwritten arabic text based on the local binary pattern technique,” Int. J. Interact. Mob. Technol., 14, 16, (2020), 20–34.
  • [12] Nigam S., Singh R., Misra A. K., “Local Binary Patterns Based Facial Expression Recognition for Efficient Smart Applications,” in Security in Smart Cities: Models, Applications, and Challenges, Springer, (2019), 297–322.
  • [13] Hassaballah M., Alshazly H.A., Ali A.A., “Ear recognition using local binary patterns: A comparative experimental study,” Expert Syst. Appl., vol. 118, (2019), 182–200.
  • [14] Erfankhah H., Yazdi M., Babaie M., and Tizhoosh H.R., “Heterogeneity-Aware Local Binary Patterns for Retrieval of Histopathology Images,” IEEE Access, vol. 7, (2019), 18354–18367.
  • [15] El-Alfy E.S.M., Binsaadoon A.G., “Automated gaitbased gender identification using fuzzy local binary patterns with tuned parameters,” J. Ambient Intell. Humaniz. Comput., 10, 7, (2019), 2495–2504.
  • [16] Shen T., Huang F., Jin L., “An improved edge detection algorithm for noisy images,” ACM Int. Conf. Proceeding Ser., 36, 3, (2019), 84–88.
  • [17] Touahri R., Azizi N., Hammami N.E., Aldwairi M., Benaida F., “Automated breast tumor diagnosis using local binary patterns (LBP) based on deep learning classification,” in 2019 International Conference on Computer and Information Sciences, ICCIS 2019, (2019), 1–5.
  • [18] Yang W., Krishnan S., “Combining Temporal Features by Local Binary Pattern for Acoustic Scene Classification,” IEEE/ACM Trans. Audio Speech Lang. Process., 25, 6, (2017), 1315–1321.
  • [19] Gundogdu B., Bianco M. J., “Collaborative similarity metric learning for face recognition in the wild,” IET Image Process., 14, 9, (2020), 1733–1739.
  • [20] Hosny K.M., Magdy T., Lashin N.A., “Improved color texture recognition using multi-channel orthogonal moments and local binary pattern,” Multimed. Tools Appl., (2021), 1–16.
  • [21] Ojala T., Pietikäinen M., Mäenpää T., “Multiresolution gray-scale and rotation invariant texture classification with local binary patterns,” IEEE Trans. Pattern Anal. Mach. Intell., 24, 7, (2002), 971–987.
  • [22] Deng J., Dong W., Socher R., Li L.-J., Kai Li, Li FeiFei, “ImageNet: A large-scale hierarchical image database,” (2010), 248–255.
APA AKGUN D (2021). A TensorFlow implementation of Local Binary Patterns Transform. Manas Journal of Engineering, 9(1), 15 - 21. 10.51354/mjen.822630
Chicago AKGUN Devrim A TensorFlow implementation of Local Binary Patterns Transform. Manas Journal of Engineering 9, no.1 (2021): 15 - 21. 10.51354/mjen.822630
MLA AKGUN Devrim A TensorFlow implementation of Local Binary Patterns Transform. Manas Journal of Engineering, vol.9, no.1, 2021, ss.15 - 21. 10.51354/mjen.822630
AMA AKGUN D A TensorFlow implementation of Local Binary Patterns Transform. Manas Journal of Engineering. 2021; 9(1): 15 - 21. 10.51354/mjen.822630
Vancouver AKGUN D A TensorFlow implementation of Local Binary Patterns Transform. Manas Journal of Engineering. 2021; 9(1): 15 - 21. 10.51354/mjen.822630
IEEE AKGUN D "A TensorFlow implementation of Local Binary Patterns Transform." Manas Journal of Engineering, 9, ss.15 - 21, 2021. 10.51354/mjen.822630