Integrating Color and Gradient into Real-Time Curve Tracking and Feature Extraction for Video Surveillance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Efficient curve detection and feature extraction is a very important step in many videorelated applications, such as video content analysis and representation, surveillance systems, medical diagnoses, etc. For example, in video surveillance systems, curve tracking and feature extraction can be used in detecting moving targets from a video, allowing potential interesting events to be identified and analyzed for surveillance purposes. Curve detection usually includes edge detection and post processing procedures such as thinning, curve fitting or edge following, etc. Curve detection can significantly reduce less important data in a video frame while preserving structural information. Perceptual features can be extracted from curves for analysis or recognition purpose. However, Conventional edge detectors provide only an output of edge pixels. It is difficult to extract perceptual features directly from the edge detection results. Post-processing is then needed to remove noise, fill gaps, and fit edge pixels into curves. Unfortunately, most post-processing is too timeconsuming for use in real-time applications Most edge detection techniques fall into two categories, gradient based methods and second order methods. Gradient-based methods detect edges based on the first derivative of the intensity. Examples include the Sobel, Prewitt, Roberts, and Canny operators, in which the Canny operator (Canny 1986) is the one of most commonly used edge detector. The second order methods find edges by searching for zero crossings in the second derivative of the intensity. Examples of the second order methods include the Laplacian, Marr-Hildreth operators, etc. In color images, the color information also can be used to determine discontinuities in the color space Perez and Kock claimed in The edges with small hue change are removed from the Canny detector output in A compass operator is proposed in A 2D edge detection functional is used in
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle