کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6856256 1437951 2018 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Birds of a feather flock together: Visual representation with scale and class consistency
ترجمه فارسی عنوان
پرندگان پر از گلدان با هم: نمایش بصری با مقیاس و سازگاری کلاس
کلمات کلیدی
سازگاری مقیاس برنامه نویسی ضعیف سازگاری کلاس، طبقه بندی عکس،
ترجمه چکیده
سه مشکل با طرح نمایندگی مبتنی بر ویژگی های محلی وجود دارد. اولا، مناطق محلی اغلب با استفاده از شناسایی بدون توجه به مقیاس های مناطق محلی، از طریق استخراج یا تعیین می شوند. دوم، ویژگی های محلی به طور جداگانه کد گذاری می شوند، و رابطه بین آنها را محاسبه نمی کند. سوم، ویژگی های محلی به سادگی بدون در نظر گرفتن اطلاعات کلاس رمزگذاری می شوند. برای حل این مشکلات، در این مقاله، ما یک روش کد گذاری محلی و متداول برای مقیاس و کلاس را برای نمایندگی تصویر پیشنهاد می کنیم، که از طریق استخراج متراکم ویژگی های محلی در فضاهای مختلف مقیاس و یادگیری پس از پارامتر های رمزگذاری بدست می آید. علاوه بر این، به جای اینکه هر یک از ویژگی های محلی را به طور مستقل کد گذاری کند، به طور مشترک پارامترهای کدگذاری از ویژگی های محلی را بهینه می کنیم. علاوه بر این، ما همچنین در طول فرایند رمزگذاری محلی ویژگی سازگاری کلاس را اعمال می کنیم. ما قدرت تفکیک پذیری تصویر بر روی وظایف طبقه بندی تصویر را آزمایش می کنیم. آزمایشات بر روی چندین مجموعه داده های تصویری عمومی نشان می دهد که روش پیشنهادی در مقایسه با بسیاری از متدهای محلی مبتنی بر ویژگی های برتر عملکردی عالی دارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
There are three problems with a local-feature based representation scheme. First, local regions are often densely extracted or determined through detection without considering the scales of local regions. Second, local features are encoded separately, leaving the relationship among them unconsidered. Third, local features are simply encoded without considering the class information. To solve these problems, in this paper, we propose a scale and class consistent local-feature encoding method for image representation, which is achieved through the dense extraction of local features in different scale spaces, and the subsequent learning of the encoding parameters. In addition, instead of encoding each local feature independently, we jointly optimize the encoding parameters of the local features. Moreover, we also impose class consistency during the local-feature encoding process. We test the discriminative power of image representations on image classification tasks. Experiments on several public image datasets demonstrate that the proposed method achieves a superior performance compared with many other local-feature based methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volumes 460–461, September 2018, Pages 115-127
نویسندگان
, , , , ,