en
Назад
УДК: 004.932.2
Обучение систем сопоставления изображений путем оптимизации их признаковых представлений
Полный текст на elibrary.ru
Публикация в Journal of Optical Technology
Аверкин А.Н. Обучение систем сопоставления изображений путем оптимизации их признаковых представлений // Оптический журнал. 2010. Т. 77. № 11. С. 69–79.
Averkin A.N. Training image-correlation systems by optimizing their attribute representations [in Russian] // Opticheskii Zhurnal. 2010. V. 77. № 11. P. 69–79.
A. N. Averkin, "Training image-correlation systems by optimizing their attribute representations," Journal of Optical Technology. 77(11), 712-720 (2010). https://doi.org/10.1364/JOT.77.000712
Разработан новый метод представления ключевых точек изображений векторами в пространстве признаков. В основу метода положен алгоритм адаптивного построения новых признаков на базе описаний, предварительно полученных в результате применения метода “Speeded up robust features” для серии изображений, снятых в помещении пространстве с разных ракурсов. Экспериментальные исследования разработанной модели на различных сериях изображений свидетельствуют о возможности использования данного метода для решения задачи сопоставления изображений на практике при условии выполнения предварительного этапа обучения данной модели.
обучение признаков, сопоставление изображений, анализ главных компонент
Коды OCIS: 100.5760
Список источников:1. Piater J.H., Grupen R.A. Distinctive features should be learned // Proc. IEEE Intern. Workshop on Biologically Motivated Computer Vision. Seoul, Korea, may 2009. Springer-Verlag, LNCS. 2000. V. 1811. P. 52–61.
2. Sim R., Dudek G. Learning generative models of invariant features // Proc. IEEE/RSJ Conf. on Intelligent Robots and Systems, IROS. Sendai, Japan, 2004. V 4. P. 3481–3488.
3. Lowe D.G. Distinctive image features from scaleinvariant keypoints // Intern. J. of Computer Vision. 2004. V. 60. № 2. P. 91–110.
4. Swets D.L., Weng J.J. Image-based recognition using learning for generalizing parameters // Proc. 2nd Asian Conf. on Computer Vision. Singapore. 1995. P. 45–52.
5. Bay H., Tuytelaars T., Van Gool L. SURF: Speeded up robust features // Proc. 9th European Conf. on Computer Vision. Graz, Austria. 2006. V. 3951. P. 404–417.
6. Ke Y., Sukthankar R. PCA-SIFT: A more distinctive representation for local image descriptors // Proc. Conf. Computer Vision and Pattern Recognition. Washington. DC. USA, 2004. IEEE Computer Society. V. 1. P. 511–517.
7. Luo J., Oubong G. A comparison of SIFT, PCA-SIFT and SURF // Intern. Journal of Image Processing (IJIP). 2009. V. 3. № 4. P. 143–152.