Evaluation of feature points descriptors' performance for visual finger printing localization of smartphones
Notice bibliographique
Résumé
Visual information are among the useful sources that can be used to localize a smartphone device. Visual information can be used in the process of image matching based on a pre-built database and Visual Map (A map tagged with images). There are different number of feature detection/description algorithms. These algorithms vastly differ in the accuracy, space usage and average matching time for each image. The color information obtained using these methods is typically ignored during the further processing steps. This paper investigates and compares thirteen different descriptors for Visual Finger Printing (VFP) localization of smartphones. These descriptors can be divided into three categories; color histogram, color-moment and Scale Invariant Feature Transformation (SIFT) based algorithms. These descriptors except for the original SIFT are all based on the colored information. Four spaces, RGB, opponent, transformed and HSV are represented in the results. The results show that the SIFT-like algorithms, despite having a high accuracy, takes more time and space that can surpass the real-time implementation requirements on a smartphone. However, the accuracy associated with SIFT algorithms are predominantly higher than moment based, and histogram-based algorithms. Testing also show a slightly better performance for the RGB-SIFT's, Opponent SIFT (O-SIFT) and SIFT, for the investigated experiment setups. However, with different image size, these advantages might vanish or even be reversed. The results also show that with a proper image size reduction and choice of a color space, the practical implementation requirements on a smartphone for SIFT and histogram-based methods can be met.
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 | 0,001 | 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 | 0,001 |
| 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 ».