Dense matching and image segmentation using projective geometry.
Notice bibliographique
Résumé
Dense matching and image segmentation are fundamental image analysis operations. These operations are required by many computer vision applications. Artificial view-synthesis, 3D scene reconstruction, token tracking and augmented reality are examples of applications that rely heavily on these primitives. The speed and accuracy of such applications rely on the quality of the matching and segmentation. As a result, solutions to these problems have been widely researched. However, due to the difficulty of these problems, there is no universal solution. Most solutions to these two problems make certain assumptions. First, dense matching and image segmentation are often viewed as separate problems. Second, most image segmentation techniques operate on only a single image. This introduces a technique that simultaneously performs image segmentation and dense matching of planar surfaces in a stereo pair of images. Using three matched points from an arbitrary plane, and four other matched points, a projective mapping, known as a homography, is calculated. This homography is used to iteratively grow a region in both images. The result is a matched and segmented plane. Practical tests comparing the computation time of this method to traditional matching techniques are presented. These results are used to motivate the use of the planar technique as a primary step for reducing the overall computation time for dense matching and image segmentation. Source: Masters Abstracts International, Volume: 41-04, page: 1116. Adviser: Bubaker Boufama. Thesis (M.Sc.)--University of Windsor (Canada), 2002.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».