Analysis of Application of Cluster Descriptions in Space of Characteristic Image Features

Abstract

In this paper, we propose an investigation of the properties of structural image recognition methods in the cluster space of characteristic features. Recognition, which is based on key point descriptors like SIFT (Scale-invariant Feature Transform), SURF (Speeded Up Robust Features), ORB (Oriented FAST and Rotated BRIEF), etc., often relating to the search for corresponding descriptor values between an input image and all etalon images, which require many operations and time. Recognition of the previously quantized (clustered) sets of descriptor features is described. Clustering is performed across the complete set of etalon image descriptors and followed by screening, which allows for representation of each etalon image in vector form as a distribution of clusters. Due to such representations, the number of computation and comparison procedures, which are the core of the recognition process, might be reduced tens of times. Respectively, the preprocessing stage takes additional time for clustering. The implementation of the proposed approach was tested on the Leeds Butterfly dataset. The dependence of cluster amount on recognition performance and processing time was investigated. It was proven that recognition may be performed up to nine times faster with only a moderate decrease in quality recognition compared to searching for correspondences between all existing descriptors in etalon images and input one without quantization.

Methods of Classification of Images on the Basis of the Values of Statistical Distributions for the Composition of Structural Description Components

“…Given the undoubted influence of the multidimensionality factor of the data used (descriptor size is 256 components, number of description descriptors is 500), it can be considered necessary for providing reliable recognition of images of similar content in databases to apply the reduction of dimensionality (compression or concentration) of descriptions by introducing clustering or hashing procedures [1], [15], [32], which can contribute to obtain more significant indicators of the effectiveness of the classification.…”

“…These scientific articles also research the features of the model of image representation as the set of multidimensional vectors and also the advantages of applying transformations of structural description to the feature space in the form of statistical distributions. One of the effective statistical method is cluster representation [15] and granulation using the apparatus of fuzzy sets [3]. However, the effectiveness of these methods depends significantly on the composition of the data; in addition, they require additional computational costs at the classification stage.…”

Логічний Аналіз Та Оброблення Даних Задля Класифікації Зображень На Підставі Формування Статистичного Центру Опису

“…Продуктивною ідеєю є подання даних опису кластерною моделлю, що скорочує обчислення у сотні разів [11]. Ідеальним варіантом для результативної класифікації є випадок, коли візуальний об'єкт у просторі значень його дескрипторів може бути поданий єдиним кластером, хоча більш реальною все-таки вважаємо модель подання множини дескрипторів кількома (3…5) кластерами [12].…”

“…Важливим критерієм при цьому є забезпечення валідності даних, тобто відповідності використаної моделі даних результати-вному вирішенню прикладної задачі [13]. У відомих методах класифікації на базі структурного опису зображення, за виключенням традиційного підходу голосування КТ типу «множина-множина», вивчається два основних підходи: шляхом обчислення відстані у просторі інтегрованих ознак для опису [14,15], а також безпосередня класифікація окремих дескрипторів до класу на підставі деякого «центру опису» [10,11]. По-елементний аналіз опису розпізнаваного об'єкту на предмет еквівалентності його елементів з образом зразку є менш вимогливим до дії завад на зображенні, але потребує більш досконалого аналізу.…”

On the Complexity Analysis and Visualization of Musical Information

“…Clustering and visualizing data with a large number of attributes is overly important in science [ 50 , 51 , 52 , 53 , 54 ]. The MDS is a computational technique for dimensionality-reduction, clustering, and visualization of multidimensional data [ 33 , 55 , 56 , 57 ].…”