Flexible sliding windows with adaptive pixel strides

تشخیص انسان ها، چهره ها و اشیاء دیگر برای برآورد پوسته، تجزیه و تحلیل رفتار و شناخت مهم است. اکثر روش های تشخیص موجود، از تکنیک کشویی پنجره استفاده می کنند که معمولا تکه های تصویر را در شبکه های یکنواخت ارزیابی می کند، با گام های ثابت پیکسل در جهت افقی و عمودی در یک تصویر. این رویکرد می تواند به محاسبات بیش از حد بیش از حد منجر شود، زیرا نمونه های هدف شیء نسبتا نادرست در مقایسه با غیر از پس زمینه است. بنابراین، اکثر محاسبات بی فایده بر روی پس زمینه هدر رفته است. در این مقاله، برای مقابله با این مشکل، پیشنهاد می کنیم تصویر را با استفاده از تطبیقی ​​به جای گام های ثابت (بدون تغییر) اسکن کنیم. به این معنی که پاسخ بالا پنجره کشویی فعلی، گام های کوچکی برای پنجره های کشویی بعدی در هر دو جهت افقی و عمودی ایجاد می کند، به این معنی است که نمونه احتمالا در اطراف وجود دارد. در غیر این صورت، یک پاسخ کم، گام های بزرگ پیکسل را فراهم می کند و نتایج نمونه گیری را در پس زمینه به دست می دهد. در نتیجه، مناطقی از نمونه های بالقوه نمونه به صورت نمونه ای جمع آوری می شوند و مناطق غیر اشیائی کمترین نمونه را انتخاب می کنند که منجر به کاهش کل هزینه محاسبات بدون از دست دادن دقت تشخیص می شود. نتایج تجربی در تشخیص چهره نشان دهنده راندمان بالا و کارایی روش پیشنهادی است.