Scene classification is one of the most significant and challenging tasks in computer vision. This paper presents a new method for scene classification using bag of visual words and a particle swarm optimization (PSO)-based artificial neural network classifier. Contributions of this paper are introducing a novel feature integration method using scale invariant feature transform (SIFT) and local binary pattern (LBP) and a new framework for training radial basis function neural network, combining optimum steepest decent method with a specially designed PSO-based optimizer for center adjustment of radial basis function neural network. Our study shows that using LBP increases the performance of classification task compared to using SIFT only. In addition, our experiments on Proben1 dataset demonstrate improvements in classification performance (averagely about 6.04%) and convergence speed of the proposed radial basis function neural network. The proposed radial basis function neural network is then employed in scene classification task. Results are reported for classification of the Oliva and Torralba, Fei–Fei and Perona and Lazebnik et al. datasets. We compare the performance of the proposed classifier with a multi-way SVM classifier. Experimental results show the superiority of the proposed classifier over the state-of-the-art on the three datasets.

中文翻译：

---

使用新的径向基函数分类器和集成的SIFT–LBP功能进行场景分类

场景分类是计算机视觉中最重要和最具挑战性的任务之一。本文提出了一种基于视觉词袋和基于粒子群优化（PSO）的人工神经网络分类器的场景分类新方法。本文的主要内容是介绍一种使用尺度不变特征变换（SIFT）和局部二进制模式（LBP）的新颖特征集成方法以及一种用于训练径向基函数神经网络的新框架，该框架将最优最速体面方法与专门设计的基于PSO的方法相结合径向基函数神经网络中心调整的优化器。我们的研究表明，与仅使用SIFT相比，使用LBP可以提高分类任务的性能。此外，我们在Proben1数据集上的实验证明了分类性能（平均约6.04％）和所提出的径向基函数神经网络的收敛速度得到了改善。然后将提出的径向基函数神经网络用于场景分类任务。报告了对Oliva和Torralba，Fei-Fei和Perona和Lazebnik等人分类的结果。数据集。我们将建议的分类器与多路SVM分类器的性能进行比较。实验结果表明，在三个数据集上，所提出的分类器优于最新技术。报告了对Oliva和Torralba，Fei-Fei和Perona和Lazebnik等人分类的结果。数据集。我们将建议的分类器与多路SVM分类器的性能进行比较。实验结果表明，在三个数据集上，所提出的分类器优于最新技术。报告了对Oliva和Torralba，Fei-Fei和Perona和Lazebnik等人进行分类的结果。数据集。我们将建议的分类器与多路SVM分类器的性能进行比较。实验结果表明，在三个数据集上，所提出的分类器优于最新技术。