Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения


Контакты

Подписка

Карта сайта





Журнал с 19.02.2010 входит в новый «Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертации на соискание ученой степени доктора и кандидата наук»
Аннотации (06.2017) : ПРИМЕНЕНИЕ ТЕОРИИ ПРЕДСКАЗАНИЯ В ЗАДАЧЕ ЛОКАЛИЗАЦИИ ОБЪЕКТОВ

ПРИМЕНЕНИЕ ТЕОРИИ ПРЕДСКАЗАНИЯ В ЗАДАЧЕ ЛОКАЛИЗАЦИИ ОБЪЕКТОВ

APPLICATION OF OBJECT PREDICTION THEORY IN OBJECT LOCALIZATION

© 2017    KAI YANG; LIMING XIE; XIAORONG GAO; JIANPING PENG

Institute of physic and science, southwest jiao tong university, china

E-mail: m15982309732@163.com

Submitted 19.02.2016

In this paper, an object localization method based on prediction theory was proposed. Prediction theory was employed to construct the network in the approach. Besides, the proposed work was applied to key component localization on a running gear. Its performance was compared with a sift based object localization. The proposed network was designed to represent the structure of objects, and the recognition of objects is to be accomplished after a training of the network. The experiment demonstrates that the proposed method can accurately localize objects in a big image through using a small size of training data.

Keywords: running gear; prediction theory; objects localization.

OCIS CODES: 150.0150; 150.3040

 

© 2017 г.       Kai Yang; Liming Xie; Xiaorong Gao; Jianping Peng

Предложен способ локализации объектов, основанный на теории предсказания. Теория предсказания использована для построения соответствующей сети. Приложением предложенного метода является локализация основных элементов движущихся приводов. Эффективность метода апробирована на локализации тестовых объектов. Предложенная сеть сконструирована для представления структуры объектов, и после обучения сети следует выполнение распознавания объектов. Эксперимент показал, что предложенный метод может выполнить точную локализацию объектов внутри большого изображения, используя небольшой объём обучающих данных.

Список терминов: локализация объекта; направление градиента; модель предсказания; движущийся привод.

Ключевые слова: движущийся привод; теория предсказания; локализация объектов.

Коды OCIS: 150.0150; 150.3040.

 

References

1.         Viola P.A., Jones M.J. Robust real-time face detection // IJCV. 2004. V. 57. № 2. P. 137–154.

2.         Dalal N., Triggs B. Histograms of oriented gradients for human detection // CVPR. 2005. V. 1. P. 886–893.

3.         Lampert C.H., Blaschko M.B., Hofmann T. Efficient subwindow search: a branch and bound framework for object localization // PAMI. 2009. V. 31. № 12. P. 2129–2142.

4.        Felzenszwalb P.F., Girshick R.B., McAllester D.A., Ramanan D. Object detection with discriminatively trained part-based models // PAMI. 2010. V. 32. № 9. P. 1627–1645.

5.         Cinbis R.G., Verbeek J.J., Schmid C. Segmentation driven object detection with fisher vectors // ICCV. 2013. P. 2968–2975.

6.        Galleguillos C., Babenko B., Rabinovich A., Belongie S.J. Weakly supervised object localization with stable segmentations // ECCV. 2008. V. 5302. P. 193–207.

7.         Siva P., Xiang T. Weakly supervised object detector learning with model drift detection // ICCV. 2011. P. 343–350.

8.        Deselaers T., Alexe B., Ferrari V. Weakly supervised localization and learning with generic knowledge // IJCV. 2012. V. 100. № 3. P. 275–293.

9.        Nguyen M.H., Torresani, L., la Torre F.D., Rother C. Learning discriminative localization from weakly labeled data // Pattern Recognition. 2014. V. 47. № 3. P. 1523–1534.

10.       Cinbis R.G., Verbeek J.J., Schmid C. Multifold MIL training for weakly supervised object localization // CVPR. 2014. P. 2409–2416.

11.       Munder S., Gavrila D.M. An experimental study on pedestrian classification // PAMI. 2006. V. 28. № 11. P. 1863–1868.

12.       Hawkins J., Blakeslee S. On Intelligence. New York: Henry Holt, 2004. 98 p.

13.       George D. How the brain might work: A hierarchical and temporal model for learning and recognition // PhD Thesis. USA. Stanford: Stanford University, 2008. 191 p.

 

 

Полный текст