کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6940913 870309 2016 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Low-level features for visual attribute recognition: An evaluation
ترجمه فارسی عنوان
ویژگی های سطح پایین برای به رسمیت شناختن ویژگی های بصری: ارزیابی
کلمات کلیدی
ترجمه چکیده
در سال های اخیر، ویژگی های بصری، که بازنمایی های میانه ای هستند که جنبه های قابل فهم انسان ها را از اشیاء و صحنه ها توصیف می کنند، به عنوان یک موضوع محبوب در تحقیقات دید در کامپیوتر تبدیل شده است. ویژگی های ویژوال در وظایف مختلف، از جمله شناسایی شی، جستجوی افراد، تشخیص صحنه، و بسیاری موارد دیگر، مورد استفاده قرار می گیرد. گام مهمی در شناخت ویژگی ها، استخراج ویژگی های سطح پایین است که ویژگی های بصری محلی در تصاویر را کد گذاری می کند و نمایه ای که در مرحله پیش بینی ویژگی ها استفاده می شود، فراهم می کند. در این کار، اثرات استفاده از ویژگی های مختلف پایین در ویژگی های یادگیری بصری را بررسی می کنیم. به طور خاص، ما تجزیه و تحلیل عملکرد شکل های مختلف، رنگ، بافت و ویژگی های شبکه عصبی عمیق. آزمایش ها بر روی چهار مجموعه داده های مختلف انجام شده است که برای انجام وظایف مختلف تشخیص بصری جمع آوری شده اند و ارزیابی های گسترده ای صورت گرفته است. نتایج ما نشان می دهد که در حالی که ویژگی های عمیق تحت نظارت موثر هستند، استفاده از آنها در ترکیب با ویژگی های سطح پایین می تواند به بهبود قابل توجهی در عملکرد تشخیص صفت منجر شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
ویژگی های سطح پایین برای به رسمیت شناختن ویژگی های بصری: ارزیابی
چکیده انگلیسی
In recent years, visual attributes, which are mid-level representations that describe human-understandable aspects of objects and scenes, have become a popular topic of computer vision research. Visual attributes are being used in various tasks, including object recognition, people search, scene recognition, and many more. A critical step in attribute recognition is the extraction of low-level features, which encodes the local visual characteristics in images, and provides the representation used in the attribute prediction step. In this work, we explore the effects of utilizing different low-level features on learning visual attributes. In particular, we analyze the performance of various shape, color, texture and deep neural network features. Experiments have been carried out on four different datasets, which have been collected for different visual recognition tasks and extensive evaluations have been reported. Our results show that, while the supervised deep features are effective, using them in combination with low-level features can lead to significant improvements in attribute recognition performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 84, 1 December 2016, Pages 185-191
نویسندگان
, ,