کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947527 1439585 2017 30 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Ordinal pyramid coding for rotation invariant feature extraction
ترجمه فارسی عنوان
کدگذاری هرم معمولی برای استخراج ویژگی غیر متناوب چرخش
کلمات کلیدی
چرخش غیر مجاز، جمع کردن هرم معمولی، بردار فیشر، استخراج ویژگی،
ترجمه چکیده
این مقاله یک ویژگی غیر مجاز چرخش جدید برای تشخیص ابعاد را پیشنهاد می دهد. در ابتدا ویژگی های تبدیل فوریه محلی پیکسل ها در منطقه توصیف شده توسط فیشر وکتورها کدگذاری می شوند. سپس، بردارهای کدگذاری شده به نمایندگی نهایی با توزیع هرم مقدماتی جمع می شوند، که سلسله مراتب منطقه توصیف شده را به مناطق زیر بر اساس دستورات چرخش های پیکسل های آن تقسیم می کند. از آنجا که هر دو ویسترهای فیشر کدگذاری شده و استراتژی تلفیق هرم یکسانی، غیر از چرخش هستند، ویژگی استخراج شده به صورت غیر متقارن است. دو نوع تغییرات چرخشی در این چارچوب مورد بررسی قرار می گیرد، یکی از گرادیان شعاعی جهت است و دیگری زاویه گرادیان شعاعی است. آزمایشات در مورد شناسایی رقم دست نوشته و شناسایی هواپیما / ماشین در تصاویر هوایی، اثربخشی روش پیشنهادی را نشان می دهد که از حالت پیشرفته برخوردار است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
This paper proposes a novel rotation invariant feature for object recognition. Firstly, the local Fourier transform features of pixels in the described region are encoded by Fisher Vectors. Then, the encoded vectors are aggregated into a final representation by ordinal pyramid pooling, which hierarchically partitions the described region into sub-regions based on the orders of its pixels' rotation invariants. Since both the encoded Fisher Vectors and the ordinal pyramid pooling strategy are rotation invariant, the extracted feature is rotation invariant by nature. Two kinds of rotation invariants are investigated in this framework, one is the Radial Gradient Orientation and the other is the Radial Gradient Angle. Experiments on handwritten digit recognition and airplane/car detection in aerial images demonstrate the effectiveness of the proposed method, which outperforms the state of the art.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 242, 14 June 2017, Pages 150-160
نویسندگان
, , , ,