論文の概要: Color-related Local Binary Pattern: A Learned Local Descriptor for Color
Image Recognition
- arxiv url: http://arxiv.org/abs/2012.06132v1
- Date: Fri, 11 Dec 2020 05:18:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 03:02:17.572561
- Title: Color-related Local Binary Pattern: A Learned Local Descriptor for Color
Image Recognition
- Title（参考訳）: 色関連局所バイナリパターン:カラー画像認識のための学習ローカル記述子
- Authors: Bin Xiao, Tao Geng, Xiuli Bi, Weisheng Li
- Abstract要約: ローカル・バイナリ・パターン(LBP)は一種のローカル特徴としてイメージ認識の単純さ、容易な実装および強い識別力を示しました。
本稿では,カラー画像認識のために,デコードされたlppから支配的なパターンを学習する色関連局所二分パターン(clbp)を提案する。
- 参考スコア（独自算出の注目度）: 22.53368259571432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Local binary pattern (LBP) as a kind of local feature has shown its
simplicity, easy implementation and strong discriminating power in image
recognition. Although some LBP variants are specifically investigated for color
image recognition, the color information of images is not adequately considered
and the curse of dimensionality in classification is easily caused in these
methods. In this paper, a color-related local binary pattern (cLBP) which
learns the dominant patterns from the decoded LBP is proposed for color images
recognition. This paper first proposes a relative similarity space (RSS) that
represents the color similarity between image channels for describing a color
image. Then, the decoded LBP which can mine the correlation information between
the LBP feature maps correspond to each color channel of RSS traditional RGB
spaces, is employed for feature extraction. Finally, a feature learning
strategy is employed to learn the dominant color-related patterns for reducing
the dimension of feature vector and further improving the discriminatively of
features. The theoretic analysis show that the proposed RSS can provide more
discriminative information, and has higher noise robustness as well as higher
illumination variation robustness than traditional RGB space. Experimental
results on four groups, totally twelve public color image datasets show that
the proposed method outperforms most of the LBP variants for color image
recognition in terms of dimension of features, recognition accuracy under
noise-free, noisy and illumination variation conditions.
- Abstract（参考訳）: ローカルバイナリパターン(lbp)は、その単純さ、実装の容易さ、画像認識における強力な識別能力を示している。
いくつかのlbp変種はカラー画像認識のために特に研究されているが、画像の色情報は十分に考慮されておらず、分類における次元の呪いがこれらの手法で容易に引き起こされる。
本稿では,カラー画像認識のために,デコードされたlppから支配的なパターンを学習する色関連局所二分パターン(clbp)を提案する。
本稿ではまず,カラー画像を記述するための画像チャネル間の色相似性を表す相対相似性空間(rss)を提案する。
そして、rss伝統的rgb空間の各カラーチャネルに対応するlpp特徴マップ間の相関情報をマイニング可能な復号化されたlppを用いて特徴抽出を行う。
最後に、特徴ベクトルの次元を減少させ、さらに特徴の識別性を向上させるために、支配的な色関連パターンを学ぶために特徴学習戦略を用いる。
理論解析により,提案するrssは,従来のrgb空間よりも,より識別的情報を提供し,高い雑音ロバスト性と高い照明変動ロバスト性を有することが示された。
4つのグループ,全12のパブリックカラー画像データセットによる実験結果から,提案手法は特徴の次元,ノイズフリー,ノイズ,照明条件下での認識精度において,LBPの変種の大部分より優れていた。
関連論文リスト
- MultiColor: Image Colorization by Learning from Multiple Color Spaces [4.738828630428634]
MultiColorは、グレースケールイメージを自動的にカラー化する学習ベースの新しいアプローチである。
我々は、個々の色空間に専用の着色モジュール群を用いる。
これらの予測色チャネルは様々な色空間を表すため、相補的なネットワークは相補性を生かし、優雅で合理的な色付き画像を生成するように設計されている。
論文 参考訳（メタデータ） (2024-08-08T02:34:41Z) - Learning Invariant Inter-pixel Correlations for Superpixel Generation [12.605604620139497]
学習可能な特徴は、制約付き判別能力を示し、不満足なピクセルグループ化性能をもたらす。
本稿では,不変画素間相関と統計特性を選択的に分離するContentangle Superpixelアルゴリズムを提案する。
4つのベンチマークデータセットの実験結果は、既存の最先端手法に対するアプローチの優位性を示している。
論文 参考訳（メタデータ） (2024-02-28T09:46:56Z) - SPDGAN: A Generative Adversarial Network based on SPD Manifold Learning
for Automatic Image Colorization [1.220743263007369]
生成逆ネットワーク(SPDGAN)を用いたSymmetric Positive Definite (SPD) Manifold Learningに基づく完全自動カラー化手法を提案する。
本モデルは,2つの識別器とジェネレータの対角ゲームを確立する。その目標は,残差接続により層間の色情報を失うことなく,偽のカラー化画像を生成することである。
論文 参考訳（メタデータ） (2023-12-21T00:52:01Z) - Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。
ストレージの要求が大きいため、一般ユーザからは広く採用されていない。
本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-21T06:59:07Z) - Name Your Colour For the Task: Artificially Discover Colour Naming via
Colour Quantisation Transformer [62.75343115345667]
そこで本研究では,色空間を定量化しつつ,画像上での認識を維持しつつ,色空間を定量化する新しい色量子化変換器CQFormerを提案する。
人工色システムと人間の言語における基本色用語との一貫性のある進化パターンを観察する。
我々のカラー量子化法は、画像記憶を効果的に圧縮する効率的な量子化法も提供する。
論文 参考訳（メタデータ） (2022-12-07T03:39:18Z) - Detecting Recolored Image by Spatial Correlation [60.08643417333974]
画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。
本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。
提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
論文 参考訳（メタデータ） (2022-04-23T01:54:06Z) - Learning Geodesic-Aware Local Features from RGB-D Images [8.115075181267109]
非剛性変形に不変なRGB-D画像から記述子を計算するための新しい手法を提案する。
提案手法は,非歪な局所像パッチ上で特徴表現を学習する鍵となる考え方に基づいている。
実際に利用可能なRGB-Dデータベンチマークを使用したさまざまな実験では、最先端の手作りおよび学習ベースのイメージとRGB-D記述子を一貫して上回っている。
論文 参考訳（メタデータ） (2022-03-22T19:52:49Z) - ASK: Adaptively Selecting Key Local Features for RGB-D Scene Recognition [30.936418722945373]
既存の手法には、空間的変化の大きいシーン画像の分類に制限がある。
重要な局所特徴を適応的に選択するRGB-Dシーン認識のための効率的なフレームワークを提案する。
このフレームワークは、パブリックなRGB-Dシーン認識データセット上で最先端のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2021-10-14T20:26:58Z) - TBNet:Two-Stream Boundary-aware Network for Generic Image Manipulation
Localization [49.521622399483846]
汎用画像操作のローカライゼーションのための新しいエンド・ツー・エンド2ストリーム境界対応ネットワーク(TBNet)を提案する。
提案したTBNetは、MCCとF1の両方の観点から、最先端の汎用画像操作のローカライズ手法を大幅に上回ることができる。
論文 参考訳（メタデータ） (2021-08-10T08:22:05Z) - Bi-directional Cross-Modality Feature Propagation with
Separation-and-Aggregation Gate for RGB-D Semantic Segmentation [59.94819184452694]
深度情報はRGBD画像のセマンティックセグメンテーションにおいて有用であることが証明されている。
既存のほとんどの研究は、深度測定がRGBピクセルと正確で整合していると仮定し、問題をモーダルな特徴融合としてモデル化している。
本稿では,RGB特徴量応答を効果的に再検討するだけでなく,複数の段階を通して正確な深度情報を抽出し,代わりに2つの補正表現を集約する,統一的で効率的なクロスモダリティガイドを提案する。
論文 参考訳（メタデータ） (2020-07-17T18:35:24Z) - Learning to Structure an Image with Few Colors [59.34619548026885]
そこで,カラー量子化ネットワークであるColorCNNを提案する。
1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。
アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-03-17T17:56:15Z)
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。