الوصف
على الرغم من التقدم الكبير في فهم إحصائيات الصور الطبيعية ، فقد كان من الصعب ترجمة هذه المعرفة إلى خوارزميات رؤية الآلة العاملة. على سبيل المثال ، ما تم تعلمه مسبقًا بواسطة Zhu و Mumford ، والذي نُشر منذ أكثر من 10 سنوات ، لم يتم اعتماده على نطاق واسع في رؤية الآلة.
يتم استخدام نموذج FOE الأحدث على نطاق واسع إلى حد ما ، ولكنه أقل بكثير مما هو متوقع نظرًا لأهمية استخدام سابقة جيدة في العديد من تطبيقات الرؤية الآلية. هناك عائقان أمام التبني هما (1) العبء الحسابي الضخم لتعلمها و (2) الميزات غير البديهية أو الإمكانات التي تم تعلمها.
في هذا المشروع ، عالجنا كلتا هاتين المشكلتين. استنتجنا حدًا علويًا وسفليًا صارمًا على وظيفة قسم السجل للنماذج بناءً على مخرجات المرشح واقترحنا خوارزمية دوران أساسية جديدة لتعلم المرشحات ذات الاحتمالية العالية. يشير تحليلنا إلى أن المرشحات الجيدة لاستخدامها مع نظام GSM سابقًا هي المرشحات التي نادرًا ما يتم إطلاقها على الصور الطبيعية بينما تتكرر في جميع الصور الأخرى.
عندما يتم دمج هذا مع خاصية 1 / f لأطياف سعة الصورة الطبيعية ، فإنه يفسر سبب كون مرشحات Roth و Black عالية التردد في الغالب ولماذا يتم الحصول على الإمكانات المقلوبة لمرشحات المشتقات الخشنة. أظهرنا أيضًا أنه باستخدام خوارزمية الدوران الأساسية الخاصة بنا ، من الممكن تعلم مرشحات أفضل في غضون دقائق.
مطابقة مجموعة النقاط غير الثابتة للدوران في المشاهد المزدحمة
حل مغلق الشكل للتغطية على الصور الطبيعية
المراجعات
لا توجد مراجعات بعد.