6 ConclusionsWe presented a new aut

6 Conclusions
We presented a new automatic seeded region growing algorithm that makes use
of instance based learning as its distance criteria. This algorithm preserves all
the advantages of the original SRG algorithm; furthermore, we presented a novel
method for automatic seed generation via histogram analysis, and a region grow-
ing scheme that eliminates the unconnected pixel problem when considering all
pxeles to label like a single set. Instance based learning is the most suited ma-
chine learning algorithm for this task because at each growing step the algorithm
is updated, opossed to other algorithms that construct an explicit representation
of the training data, and the representation is not updated during the classifi-
cation step. Finally, ownership tables allow adjusting the segmentation result
to the user needs, and make possible the definition of levels of abstraction to
represent a concept hierarchy.
Acknowledges The first author acknowledges to CONACYT the support pro-
vided through the grant for Master’s studies number 201804. The first author
also acknowledges to Erika Dana´ eL´ opez Espinoza for his valuable comments.

Results (Indonesian) 1:

Kesimpulan 6Kami menyajikan algoritma tumbuh otomatis unggulan daerah baru yang memanfaatkancontoh belajar sebagai kriteria jarak yang berdasarkan. Algoritma ini mempertahankan semuakeuntungan dari algoritma SRG asli; Selain itu, kami mempresentasikan sebuah novelmetode untuk benih otomatis generasi melalui analisis histogram, dan wilayah tumbuh-ing skema yang menghilangkan tidak terhubung pixel masalah ketika mempertimbangkan semuapxeles ke label seperti satu set. Contoh berbasis belajar adalah ma paling cocok-Chine belajar algoritma untuk tugas ini karena di tumbuh setiap langkah algoritmaDiperbarui, opossed lain algoritma yang membangun keterwakilan explicitdata pelatihan, dan representasi tidak diperbarui selama classifi -langkah kation. Akhirnya, tabel kepemilikan memungkinkan menyesuaikan hasil segmentasiuntuk pengguna kebutuhan, dan membuat mungkin definition dari tingkatan abstraksi untukmewakili konsep hirarki.Mengakui pertama penulis mengakui ke CONACYT dukungan pro-vided melalui hibah untuk Magister studi nomor 201804. Penulis pertamajuga mengakui ke Erika Dana´ eL´ opez Espinoza untuk komentar berharga.

Results (Indonesian) 2:

6 Kesimpulan
Kami disajikan otomatis wilayah unggulan berkembang algoritma baru yang menggunakan
pembelajaran berbasis misalnya sebagai kriteria jarak. Algoritma ini mempertahankan semua
keuntungan dari algoritma SRG asli; Selanjutnya, kami mempresentasikan sebuah novel
metode untuk generasi benih otomatis melalui analisis histogram, dan daerah grow-
ing skema yang menghilangkan masalah pixel tidak berhubungan ketika mempertimbangkan semua
pxeles untuk label seperti satu set. Pembelajaran berbasis Instance adalah ma- paling cocok
algoritma pembelajaran chine untuk tugas ini karena pada setiap langkah tumbuh algoritma
diperbarui, opossed algoritma lain yang membangun representasi eksplisit
dari data pelatihan, dan representasi tidak diperbarui selama klasi fi
kasi langkah. Akhirnya, tabel kepemilikan memungkinkan menyesuaikan hasil segmentasi
dengan kebutuhan pengguna, dan memungkinkan para definisi de tingkat abstraksi untuk
mewakili hirarki konsep.
Mengakui Penulis pertama mengakui untuk CONACYT dukungan pro
vided melalui hibah untuk studi Master jumlah 201.804. penulis pertama
juga mengakui untuk Erika Dana' eL' opez Espinoza untuk komentar berharga.