کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4969995 1450021 2017 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Context-based abnormal object detection using the fully-connected conditional random fields
ترجمه فارسی عنوان
با استفاده از زمینه های تصادفی مشروط به طور کامل متصل، مبتنی بر محتوا بر اساس
کلمات کلیدی
تشخیص شیء غیر عادی، مدل مفهومی، زمینه تصادفی محض، مکان جاسازی شده، تقریبی میدان متوسط،
ترجمه چکیده
اطلاعات متنی نقش مهمی در بینش کامپیوتری ایفا می کند، به ویژه در تشخیص شی و درک صحنه. مدل های متنی موجود فقط از ارتباط بین عناصر طبیعی و صحنه های طبیعی استفاده می کنند و در نتیجه، در تشخیص اشیاء غیر طبیعی، یک مشکل دشوار وجود دارد. این مقاله یک مدل تشخیص جسمی غیر طبیعی را با استفاده از زمینه های تصادفی مشروط به طور کامل متصل ارائه می دهد تا اطلاعات متنی مانند همپوشش و روابط هندسی بین اشیا را ادغام کند. با این فرمول بندی، مدل پیشنهادی ترکیبی از همپوشانی، تعامل مکانی بین اشیاء و اطلاعات مقیاس است. برای این منظور، ما از یک روش جاسازی کردن ویژگی استفاده می کنیم تا هندسه ای را پیدا کنیم که رابطه آماری را در مدت زمان زوج نشان می دهد. تشخیص شیء غیر عادی با استفاده از استنتاج واریانس احتمالی مانند تقریب میانگین میدان حل شده است. نتایج تجربی نشان می دهد که مدل تشخیص هویت غیرطبیعی پیشنهادی، پیشرفت قابل توجهی نسبت به مدل های پیشرفته ای را در مجموعه داده های خارج از محدوده و داده های غیر عادی دارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
با استفاده از زمینه های تصادفی مشروط به طور کامل متصل، مبتنی بر محتوا بر اساس
چکیده انگلیسی
The contextual information plays an important role in computer vision, particularly in object detection and scene understanding. The existing contextual models use only the relationship between normal objects and natural scenes, and thus there still remains a difficult problem in detection of abnormal objects. This paper proposes an abnormal object detection model using the fully-connected conditional random fields to integrate the contextual information such as the co-occurrence and geometric relationships between objects. With this formulation, the proposed model combines the co-occurrence, spatial interaction between objects, and scale information. To this end, we use a feature embedding technique to find a geometry that reflects the statistical relationship in the pairwise term. Abnormal object detection is solved by using probabilistic variational inference such as the mean field approximation. Experimental results show that the proposed abnormal object detection model achieves significant improvement over the state-of-the-art models on the out-of-context dataset and abnormal object dataset.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 98, 15 October 2017, Pages 16-25
نویسندگان
, , ,