Image pattern recognition using phase-based local features and their flexible spatial configuration
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
We propose a new image pattern recognition system that is applicable to several computer vision tasks, such as long range motion matching and object recognition. The main strength of our system is its ability to handle substantial image deformations without significantly sacrificing the expressiveness of the model representation. This system is divided into three steps, namely: (a) feature extraction, (b) similarity search, and (c) hypothesis verification. The phase-based local feature proposed for step (a) is shown to be distinctive and robust to 2-D rigid deformations and severe brightness changes. The step (b) pairs similar model and test image features, producing the correspondence set, which is usually densely populated with outliers. Hence, the rejection of outliers from this set is necessary to reduce the number of hypotheses to be verified in step (c). We propose two methods to reject outliers that are robust to rigid and non-rigid deformations. Quantitative evaluations for both the local feature extractor and the outlier rejection methods are also provided. Comparison results produced by these evaluations show that our feature is more robust and distinctive than state-of-the-art features proposed in the literature, and our methods to reject outliers are more robust to 3-D rigid and non-rigid deformations than the Hough transform, which is a common method used to reject outliers. Finally, our last contribution is a probabilistic verification for step (c) that uses local and semi-local similarities between test and model images. The effectiveness of our system is tested in several recognition problems.
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 | 0,000 | 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 découle