مقاله ویژگی های بافت برای برجستگی شیTexture features for object salience

در انبار موجود نمی باشد

مقاله ویژگی های بافت برای برجستگی شیTexture features for object salience

30,000 تومان

ژورنال

ELSEVIER

سال انتشار

2017

صفحات انگلیسی

5 تا 10

صفحات فارسی

20 تا 30

نقد و بررسی

مقاله ویژگی های بافت برای برجستگی شی

چکیده فارسی :

اگر چه بافت برای بسیاری از وظایف ( tasks ) مرتبط با بینایی مهم است، اما این پارامتر ، در بسیاری از مدل های برجستگی مورد استفاده قرار نگرفته است. به عنوان یک نتیجه، تصاویری وجود دارد که در آن، کلیه ی الگوریتم های مهم موجود، با شکست مواجه می شوند. ما به معرفی دسته ی جدیدی از ویژگی های بافت می پردازیم که همانند منطقه ی بصری V1 ، در بالادست مدل سریع سلول های پیچیده در striate cortex ( قشر ستون فقرات ) ساخته شده اند. بافت در هر موقعیت، به وسیله ی طیف قدرت محلی دوبعدی ، حاصل از فیلتر های گابور که تبدیل به چندین مقیاس و جهت شده است ، مشخص می گردد.

پس از این کار، ما به اعمال یک مدل پارامتری پرداخته و طیف محلی را با استفاده از ترکیبی از دو تقریب گاوس دو بعدی توضیح می دهیم : مقیاس و جهت توزیع ها . مقیاس توزیع نشان می دهد که آیا بافت دارای فرکانس غالب هست یا خیر و این فرکانس چه فرکانسی است . به همین ترتیب، جهت توزیع، تصدیقی بر درجه ی ناهنجاری است. ما به ارزیابی ویژگی ها در ترکیب با الگوریتم برجستگی state-of-the-art VOCUS2 می پردازیم . ما در یافته ایم که با استفاده از ویژگی های بافت جدید ما، به همراه رنگ ، AUC بر روی مجموعه داده ی PASCAL-S در زمان مقایسه با رنگ پایه ی تنها، ۳.۸٪ و بر روی مجموعه داده ی مبتنی بر بافت جدید ، ۶۲٪ بهبود می یابد.

چکیده انگلیسی:

Although texture is important for many vision-related tasks, it is not used in most salience models. As a consequence, there are images where all existing salience algorithms fail. We introduce a novel set of tex- ture features built on top of a fast model of complex cells in striate cortex, i.e., visual area V1. The texture at each position is characterised by the two-dimensional local power spectrum obtained from Gabor filters which are tuned to many scales and orientations. We then apply a parametric model and describe the local spectrum by the combination of two one-dimensional Gaussian approximations: the scale and orientation distributions. The scale distribution indicates whether the texture has a dominant frequency and what fre- quency it is. Likewise, the orientation distribution attests the degree of anisotropy. We evaluate the features in combination with the state-of-the-art VOCUS2 salience algorithm. We found that using our novel tex- ture features in addition to colour improves AUC by 3.8% on the PASCAL-S dataset when compared to the colour-only baseline, and by 62% on a novel texture-based dataset.

 

ژورنال

ELSEVIER

سال انتشار

2017

صفحات انگلیسی

5 تا 10

صفحات فارسی

20 تا 30

دیدگاه خود را در باره این کالا بیان کنید افزودن دیدگاه

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

    هیچ پرسش و پاسخی ثبت نشده است.

پرسش خود را درباره این کالا بیان کنید

ثبت پرسش
انصراف ثبت پرسش

محصولات مرتبط