کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4970217 1365304 2016 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A graph-based ranked-list model for unsupervised distance learning on shape retrieval
ترجمه فارسی عنوان
یک مدل رتبه بندی مبتنی بر گراف برای یادگیری از راه دور ناخواسته در بازیابی شکل
کلمات کلیدی
بازیابی شکل، روش رتبه بندی، رویکردهای مبتنی بر نمودار،
ترجمه چکیده
چندین الگوریتم مرتب سازی مجدد اخیرا پیشنهاد شده است. برخی از رویکردهای مؤثر براساس فرایندهای پخش پیچیده مبتنی بر گراف، که معمولا زمان گیر هستند و بنابراین برای مجموعه های گسترده در مقیاس بزرگ در دنیای واقعی، مناسب نیستند. در این مقاله، یک رویکرد مبتنی بر گراف بر مبنای تکرار از راه دور در وظایف بازیابی شکل ارائه شده است. روش پیشنهادی براساس ترکیبی از نمودارها تعریف شده در چند لیست رتبه بندی شده است. کارآیی روش با استفاده از تنها موقعیت های بالا لیست های رتبه بندی شده در تعریف گراف هایی که رمزهای متقابل را کد گذاری می کنند تضمین می شود. تجزیه و تحلیل اثربخشی در سه مجموعه داده های به شکل گسترده استفاده شده نشان می دهد که مدل پیشنهادی مبتنی بر گراف در مقایسه با استفاده از توصیفگرهای شکل در انزوا، سود قابل توجهی را (تا 55.52٪) به دست می دهد. علاوه بر این، روش پیشنهادی همچنین مقادیر قابل مقایسه یا بهتر از عملکرد را در مقایسه با چندین روش پیشرفته ارائه می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
یک مدل رتبه بندی مبتنی بر گراف برای یادگیری از راه دور ناخواسته در بازیابی شکل
چکیده انگلیسی
Several re-ranking algorithms have been proposed recently. Some effective approaches are based on complex graph-based diffusion processes, which usually are time consuming and therefore inappropriate for real-world large scale shape collections. In this paper, we introduce a novel graph-based approach for iterative distance learning in shape retrieval tasks. The proposed method is based on the combination of graphs defined in terms of multiple ranked lists. The efficiency of the method is guaranteed by the use of only top positions of ranked lists in the definition of graphs that encode reciprocal references. Effectiveness analysis performed in three widely used shape datasets demonstrate that the proposed graph-based ranked-list model yields significant gains (up to +55.52%) when compared with the use of shape descriptors in isolation. Furthermore, the proposed method also yields comparable or superior effectiveness scores when compared with several state-of-the-art approaches.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 83, Part 3, 1 November 2016, Pages 357-367
نویسندگان
, , ,