論文の概要: Texture Classification using Block Intensity and Gradient Difference
(BIGD) Descriptor
- arxiv url: http://arxiv.org/abs/2002.01154v1
- Date: Tue, 4 Feb 2020 07:03:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 03:37:47.480160
- Title: Texture Classification using Block Intensity and Gradient Difference
(BIGD) Descriptor
- Title（参考訳）: ブロック強度と勾配差(BIGD)記述子を用いたテクスチャ分類
- Authors: Yuting Hu, Zhen Wang, and Ghassan AlRegib
- Abstract要約: ブロック強度と勾配差(BIGD)という,効率的で独特な局所記述子を提案する。
画像パッチでは、複数スケールのブロックペアをランダムにサンプリングし、ペアのブロックの強度と勾配の差を利用して局所的なBIGD記述子を構築する。
実験結果から, 識別力の強いBIGDディスクリプタは, 最先端テクスチャディスクリプタよりも0.12%, 6.43%高い分類精度が得られた。
- 参考スコア（独自算出の注目度）: 18.51387789714017
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present an efficient and distinctive local descriptor,
namely block intensity and gradient difference (BIGD). In an image patch, we
randomly sample multi-scale block pairs and utilize the intensity and gradient
differences of pairwise blocks to construct the local BIGD descriptor. The
random sampling strategy and the multi-scale framework help BIGD descriptors
capture the distinctive patterns of patches at different orientations and
spatial granularity levels. We use vectors of locally aggregated descriptors
(VLAD) or improved Fisher vector (IFV) to encode local BIGD descriptors into a
full image descriptor, which is then fed into a linear support vector machine
(SVM) classifier for texture classification. We compare the proposed descriptor
with typical and state-of-the-art ones by evaluating their classification
performance on five public texture data sets including Brodatz, CUReT,
KTH-TIPS, and KTH-TIPS-2a and -2b. Experimental results show that the proposed
BIGD descriptor with stronger discriminative power yields 0.12% ~ 6.43% higher
classification accuracy than the state-of-the-art texture descriptor, dense
microblock difference (DMD).
- Abstract（参考訳）: 本稿では,ブロック強度と勾配差(BIGD)という,効率的で独特な局所記述子を提案する。
画像パッチでは、マルチスケールブロックペアをランダムにサンプリングし、各ブロックの強度と勾配の違いを利用してローカルなbigdディスクリプタを構築する。
ランダムサンプリング戦略とマルチスケールフレームワークは、bigdディスクリプタが異なる方向と空間的な粒度レベルでのパッチの特徴的なパターンを捉えるのに役立つ。
局所集約ディスクリプタ(VLAD)や改良されたフィッシャーベクトル(IFV)のベクトルを用いて、局所的なBIGDディスクリプタをフルイメージディスクリプタにエンコードし、その後、テクスチャ分類のための線形サポートベクタマシン(SVM)分類器に入力する。
提案する記述子は,Brodatz,CUReT,KTH-TIPS,KTH-TIPS-2a,-2bを含む5つの公的なテクスチャデータセットに対して,その分類性能を評価することで,その特徴と現状を比較した。
実験結果から, 識別力の強いBIGDディスクリプタは, 最先端テクスチャディスクリプタ, 密度マイクロブロック差 (DMD) よりも0.12%～6.43%高い分類精度が得られた。
関連論文リスト
- Learning-Based Dimensionality Reduction for Computing Compact and
Effective Local Feature Descriptors [101.62384271200169]
特徴の形でのイメージパッチの独特な表現は多くのコンピュータビジョンとロボティクスのタスクの重要な構成要素である。
マルチ層パーセプトロン(MLP)を用いて,低次元ながら高品質な記述子を抽出する。
視覚的ローカライゼーション、パッチ検証、画像マッチング、検索など、さまざまなアプリケーションについて検討する。
論文 参考訳（メタデータ） (2022-09-27T17:59:04Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳（メタデータ） (2022-06-17T09:40:14Z) - Multiscale Analysis for Improving Texture Classification [62.226224120400026]
本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。
バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
論文 参考訳（メタデータ） (2022-04-21T01:32:22Z) - Local Gradient Hexa Pattern: A Descriptor for Face Recognition and
Retrieval [20.77994516381]
基準画素とその隣接する画素間の関係を同定する局所勾配ヘキサパターン(LGHP)を提案する。
識別情報は、地域や異なるデリバティブな方向でも存在している。
提案するディスクリプタは,最先端のディスクリプタに比べて高い認識率と検索率を有する。
論文 参考訳（メタデータ） (2022-01-03T07:45:36Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-08-05T17:11:08Z) - Generalisable and distinctive 3D local deep descriptors for point cloud
registration [4.619541348328937]
一般化可能かつ独特な3次元局所記述子を学習するための,単純だが効果的な方法を提案する。
点雲パッチは抽出され、その局所参照フレームに対して正準化され、スケールおよび回転不変のコンパクトディスクリプタに符号化される。
我々の記述子は、局所的およびランダムにサンプリングされた点からセンサモードを効果的に一般化することができる。
論文 参考訳（メタデータ） (2021-05-21T14:47:55Z) - Hyperdimensional computing as a framework for systematic aggregation of
image descriptors [4.56877715768796]
我々は超次元計算(HDC)を、同じ次元の1つのベクトルにおけるベクトルの集合からの情報を組み合わせるアプローチとして用いている。
本稿では,既存および将来の画像記述子(深層学習ベース)の出力処理に適したhdc実装を提案する。
論文 参考訳（メタデータ） (2021-01-19T16:49:58Z) - Fine-Grained Dynamic Head for Object Detection [68.70628757217939]
本稿では,各インスタンスの異なるスケールからfpn特徴の画素レベルの組み合わせを条件付きで選択する,きめ細かい動的ヘッドを提案する。
実験は,いくつかの最先端検出ベンチマークにおける提案手法の有効性と有効性を示す。
論文 参考訳（メタデータ） (2020-12-07T08:16:32Z) - Multi-Scale Superpatch Matching using Dual Superpixel Descriptors [0.6875312133832078]
スーパーピクセルへの過剰セグメンテーションは、高速な高密度画像処理を可能にする、非常に効果的な次元削減戦略である。
標準的な階層的多重解像度スキームと比較して、画像分解の固有の不規則性は問題である。
本稿では,新しいスーパーピクセル近傍ディスクリプタであるデュアルスーパーパッチを紹介する。
論文 参考訳（メタデータ） (2020-03-09T22:04:04Z) - MGCN: Descriptor Learning using Multiscale GCNs [50.14172863706108]
グラフウェーブレットを用いて表面上のディリクレエネルギーを分解する新しい非学習的特徴を示す。
また,新たなグラフ畳み込みネットワーク (MGCN) を提案し,非学習的特徴をより差別的な記述子に変換する。
論文 参考訳（メタデータ） (2020-01-28T17:25:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。