Применение теории предсказания в задаче локализации объектов

Yang Kai, Xie Liming, Gao Xiaorong, Peng Jianping

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Kai Yang, Liming Xie, Xiaorong Gao, Jianping Peng Application of object prediction theory in object localization (Применение теории предсказания в задаче локализации объектов) [на англ. яз.] // Оптический журнал. 2017. Т. 84. № 6. С. 30–36.

Kai Yang, Liming Xie, Xiaorong Gao, Jianping Peng Application of object prediction theory in object localization (Применение теории предсказания в задаче локализации объектов) [in English] // Opticheskii Zhurnal. 2017. V. 84. № 6. P. 30–36.

Ссылка на англоязычную версию:

Kai Yang, Liming Xie, Xiaorong Gao, and Jianping Peng, "Application of object prediction theory in object localization," Journal of Optical Technology. 84(6), 384-389 (2017). https://doi.org/10.1364/JOT.84.000384

Аннотация:

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

Список источников:

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 d iscriminatively trained partbased 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.