کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4969820 | 1449984 | 2017 | 33 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Staff removal using image operator learning
ترجمه فارسی عنوان
حذف کارکنان با استفاده از یادگیری اپراتور تصویر
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
حذف کارکنان، تشخیص موسیقی نوری، تجزیه و تحلیل تصویر سند، اپراتور تصویر، فراگیری ماشین،
ترجمه چکیده
حذف کارکنان یک کار پردازش تصویر است که هدف آن تسهیل تجزیه و تحلیل بیشتر از تصاویر نمره موسیقی است. حتی زمانی که به تصاویر در حوزه های خاص مانند شناخت نمره موسیقی محدود می شود، حل مشکلات پردازش تصویر معمولا نیاز به طراحی الگوریتم های سفارشی دارد. برای مقابله با متغیرهای تصویر و میزان رو به رشد داده ها، تکنیک های مبتنی بر یادگیری ماشین به عنوان یک روش طبیعی برای مشکالت پردازش تصویر به کار می رود. به این معنا، روش های یادگیری اپراتور تصویری مربوط به برآورد، از جفت نمونه تصاویر ورودی-خروجی یک تبدیل، یک تابع محلی است که تحول تصویر را مشخص می کند. این روش ها نیاز به تعریف برخی از پارامترها دارد، از جمله اطلاعات محلی که در پردازش در نظر گرفته شده است که توسط یک پنجره تعریف می شود. در این کار ما نشان می دهیم که چگونه روش یادگیری اپراتور تصویر را به مشکل حذف خطوط کارکنان اعمال کنیم. ما الگوریتم برای تعیین پنجره را ارائه می کنیم و نشان می دهیم که اطلاعات بصری مربوط به حذف کارکنان را ضبط می کند. ما همچنین یک پنجره مرجع برای استفاده در مواردی که مجموعه آموزش به اندازه کافی بزرگ نیست استفاده می کنیم. نتایج تجربی بدست آمده با توجه به امتیازات موسیقی مصنوعی و دست نویس تحت شرایط مختلف تصویر، نشان می دهد که اپراتورهای تصویر آماری با الگوریتم های خاصی طراحی شده است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Staff removal is an image processing task that aims to facilitate further analysis of music score images. Even when restricted to images in specific domains such as music score recognition, solving image processing problems usually requires the design of customized algorithms. To cope with image variabilities and the growing amount of data, machine learning based techniques emerge as a natural approach to be employed in image processing problems. In this sense, image operator learning methods are concerned with estimating, from sample pairs of input-output images of a transformation, a local function that characterizes the image transformation. These methods require the definition of some parameters, including the local information to be considered in the processing which is defined by a window. In this work we show how to apply the image operator learning technique to the staff line removal problem. We present an algorithm for window determination and show that it captures visual information relevant for staff removal. We also present a reference window set to be used in cases where the training set is not sufficiently large. Experimental results obtained with respect to synthetic and handwritten music scores under varying image conditions show that the learned image operators are comparable with especially designed state-of-the-art heuristic algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 63, March 2017, Pages 310-320
Journal: Pattern Recognition - Volume 63, March 2017, Pages 310-320
نویسندگان
Igor S. Montagner, Nina S.T. Hirata, Roberto Jr,