دسته بندی:

تشخیص الگو - Pattern recognition

---

سال انتشار:

2012

---

ترجمه فارسی عنوان مقاله:

دسته بندی تطبیقی ترکیب زمینه

---

عنوان انگلیسی مقاله:

Adaptive Figure-Ground Classification

---

منبع:

2012 IEEE Conference on Computer Vision and Pattern Recognition

---

نویسنده:

Yisong Chen, Antoni B: Chan

---

چکیده انگلیسی:

ما یک الگوریتم دسته بندی تطبیقی ترکیب زمینه برای استخراج خودکار ناحیه ی پیش زمینه با استفاده از کادر محصورکننده ی ایجادشده توسط کاربر ارائه می دهیم. نخست، تصویر با یک الگوریتم تطبیقی انتقال میانگین بخش بندی می شود و از اینها، برآوردهای پیشین پس زمینه و پیش زمینه تخمین زده می شوند. قطعات باقیمانده به صورت تکرارشونده براساس فاصله ی آنها تا این برآوردهای پیشین تخصیص می یابند و پیشین پیش زمینه به صورت آنلاین به روز می روند. مجموعه ی بزرگی از تقسیم بندی های کاندید با تغییر دادن برآورد پیشین پیش-زمینه ی اولیه به دست می آیند. بهترین کاندید توسط یک تابع امتیاز تعیین می شود که کیفیت تقسیم بندی را ارزیابی می کند. ما به جای استفاده از یک تابع فاصله ی واحد یا تابع امتیاز، چندین تقسیم بندی فرضی از ترکیبات مختلف معیارهای فاصله و توابع امتیاز ایجاد نمودیم. سپس تقسیم بندی نهایی بطور خودکار با یک طرح ترکیبی رأی گیری و وزندهی از چندین فرضیه به دست می آید. آزمایشات نشان می دهد روش ما در چندین مجموعه داده بر به روزترین روش های فعلی برتری دارد، و بطور خاص در صحنه های چالش برانگیزی که حاوی پیش زمینه های متصل چندگانه یا منظم هستند، به موفقیت دست می یابد. به علاوه، این پیشرفت در دقت با هزینه های محاسباتی پایین به دست می آید. کلمات کلیدی: مدولاسیون دلتا | پهنای باند | تقسیم بندی تصویر | الگوریتم های طبقه بندی | رنگ | توزیع گاوسی | ماتریس کواریانس

---

چکیده فارسی:

We propose an adaptive figure-ground classification algorithm to automatically extract a foreground region using a user-provided bounding-box. The image is first over-segmented with an adaptive mean-shift algorithm, from which background and foreground priors are estimated. The remaining patches are iteratively assigned based on their distances to the priors, with the foreground prior being updated online. A large set of candidate segmentations are obtained by changing the initial foreground prior. The best candidate is determined by a score function that evaluates the segmentation quality. Rather than using a single distance function or score function, we generate multiple hypothesis segmentations from different combinations of distance measures and score functions. The final segmentation is then automatically obtained with a voting or weighted combination scheme from the multiple hypotheses. Experiments indicate that our method performs at or above the current state-of-the-art on several datasets, with particular success on challenging scenes that contain irregular or multiple-connected foregrounds. In addition, this improvement in accuracy is achieved with low computational cost.
Keywords: Delta modulation | Bandwidth | Image segmentation | Classification algorithms | Color | Gaussian distribution | Covariance matrix

---

---

---

---

حجم فایل: 2938 کیلوبایت

---

قیمت: 25200 تومان   

---

توضیحات اضافی:

---

---

---