Efficient Estimation of Visual Object Relevance During Recognition Through Their Vector Descriptions

Gorokhovatsky, V. A.

doi:10.1615/telecomradeng.v75.i14.40

Cited by 4 publications

(7 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Новим кроком в розвиненні та покращенні результативності структурних методів є перехід від опису як множини ОТ до векторного подання у виді кортежу цілих чисел [4,5]. Ця трансформація без зниження показника ефективності значно підвищує швидкодію класифікації, так як замість порівняння множин тепер обчислюється векторна міра подібності.…”

Section: вступunclassified

See 1 more Smart Citation

Застосування Статистичних Мір Релевантності Для Векторних Структурних Описів Об’єктів У Задачі Класифікації Зображень

Gadetska¹,

Gorokhovatskyi²

2018

CNCS

View full text Add to dashboard Cite

Вирішується задача класифікації зображень у просторі ознак дескрипторів особливих точок з поданням опису у кластерному виді і використанням статистичних мір для обчислення релевантності описів. Проведено аналіз особливостей застосування статистичного та метричного класифікаторів при визначенні рівня релевантності структурних описів. Виконано порівняння характеристик мір релевантності на розрахункових прикладах. Запропоновано використання розходження Кульбака-Лейблера як універсальної і ефективної міри для задачі класифікації. Підтверджена результативність запропонованого підходу для прикладних баз зображень. Наукова новизна дослідження полягає у розвиненні методу структурного розпізнавання зображень на основі кластерного опису множини дескрипторів особливих точок шляхом застосування апарату статистичних мір для визначення релевантності аналізованих та еталонних даних і побудови класифікаційних висновків у просторі кластер – еталон. Практична значущість роботи – отримання прикладних розрахункових моделей для застосування методів класифікації і підтвердження їх результативності в конкретних прикладах базах зображень.

show abstract

Section: вступunclassified

“…Набір кластерів втілює розбиття простору ознак як множини дескрипторів ОТ, а центри створених кластерів є опорними точками для розпізнавання [4,5,17].…”

Section: вступunclassified

Застосування Статистичних Мір Релевантності Для Векторних Структурних Описів Об’єктів У Задачі Класифікації Зображень

Gadetska¹,

Gorokhovatskyi²

2018

CNCS

View full text Add to dashboard Cite

show abstract

“…Зважаючи на наявну подібність значень дескрипторів для різних візуальних об'єктів, така еквівалентність на практиці досягається лише наближено [1][2][3][4][5][6].…”

Section: вступunclassified

Застосування Апарату Аналізу Та Оброблення Бітових Даних У Методах Класифікації Зображень За Множиною Ключових Точок

Gorokhovatsky¹,

Solodchenko²

2018

CNCS

View full text Add to dashboard Cite

Вирішена задача структурного розпізнавання візуальних об’єктів на підґрунті описів у вигляді множини ключових точок зображення. Запропоновано метод бінарного аналізу множин дескрипторів опису для формування центрів класів з метою класифікації у межах заданої бази еталонів. Обговорюються критерії оцінювання ефективності класифікації. Проведено програмне моделювання та дослідження методу у порівнянні з медіанними центрами, отримано підтвердження результативності розробленого методу для прикладної бази зображень.

show abstract

“…Structural image recognition methods, where visual objects on images are described as sets of characteristic features (CF), are widely used due to the high efficiency associated with the practical ability to perform recognition in the complex conditions related to geometric transformations, background influences or even the partial absence of features [1][2][3][4]. The user of the computer vision system independently determines which specific part of the available description is acceptable for making a decision about the class of an object.…”

Section: Introductionmentioning

confidence: 99%

“…A way to increase the effectiveness of the structural recognition methods in terms of speed and, in fact, without reducing the probabilistic characteristics, is by the use of vector quantization in the space of structural dataset features [3,4,6]. Quantization implements an approximation in the space of key point feature descriptors by splitting them into subsets of equivalent elements.…”

Section: Introductionmentioning

confidence: 99%

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

Gorokhovatskyi

Peredrii

2018

Data

View full text Add to dashboard Cite

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.

show abstract

Efficient Estimation of Visual Object Relevance During Recognition Through Their Vector Descriptions

Cited by 4 publications

References 0 publications

Застосування Статистичних Мір Релевантності Для Векторних Структурних Описів Об’єктів У Задачі Класифікації Зображень

Застосування Статистичних Мір Релевантності Для Векторних Структурних Описів Об’єктів У Задачі Класифікації Зображень

Застосування Апарату Аналізу Та Оброблення Бітових Даних У Методах Класифікації Зображень За Множиною Ключових Точок

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

Contact Info

Product

Resources

About