MétaCan
Menu
Retour à la cohorte
Enregistrement W3121633701 · doi:10.1109/ism.2020.00043

An Effective Rotational Invariant Key-point Detector for Image Matching

2020· article· en· W3121633701 sur OpenAlexaff
Thanh Hong-Phuoc, Ling Guan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueAdvanced Image and Video Retrieval Techniques
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésScale-invariant feature transformDetectorInvariant (physics)Artificial intelligenceComputer visionNeural codingComputer scienceRotational invarianceCoding (social sciences)MathematicsPattern recognition (psychology)AlgorithmFeature extraction

Résumé

récupéré en direct d'OpenAlex

Traditional detectors e.g. Harris, SIFT, SFOP... are known inflexible in different contexts as they solely target corners, blobs, junctions or other specific human-designed structures. To account for this inflexibility and additionally their unreliability under non-uniform lighting change, recently, a Sparse Coding based Key-point detector (SCK) relying on no human-designed structures and invariant to non-uniform illumination change was proposed. Yet, geometric transformations such as rotation are not considered in SCK. Thus, a novel Rotational Invariant SCK called RI-SCK is proposed in this paper. To make SCK rotational invariant, an effective use of multiple rotated versions of the original dictionary in the sparse coding step of SCK is proposed. A novel strength measure is also introduced for comparison of key-points across image pyramid levels if scale invariance is required. Experimental results on three public datasets have confirmed that significant gains in repeatability and matching score could be achieved by the proposed detector.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,321
Score d'incertitude au seuil0,402

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,295
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Image and Video Retrieval TechniquesTravaux en français237 207