دانلود ترجمه مقاله برآورد برجستگی بینایی از طریق مشخصات یکپارچه سازی غیر خطی
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2012
تعداد صفحه ترجمه:37
تعداد صفحه فایل انگلیسی:9
موضوع انگلیسی :Visual saliency estimation by nonlinearly integrating features
using region covariances
موضوع فارسی:دانلود ترجمه مقاله برآورد برجستگی بینایی از طریق مشخصات یکپارچه سازی غیر خطی
چکیده انگلیسی:To detect visually salient elements of complex natural
scenes, computational bottom-up saliency models
commonly examine several feature channels such as
color and orientation in parallel. They compute a
separate feature map for each channel and then linearly
combine these maps to produce a master saliency map.
However, only a few studies have investigated how
different feature dimensions contribute to the overall
visual saliency. We address this integration issue and
propose to use covariance matrices of simple image
features (known as region covariance descriptors in the
computer vision community; Tuzel, Porikli, & Meer,
2006) as meta-features for saliency estimation. As lowdimensional
representations of image patches, region
covariances capture local image structures better than
standard linear filters, but more importantly, they
naturally provide nonlinear integration of different
features by modeling their correlations. We also show
that first-order statistics of features could be easily
incorporated to the proposed approach to improve the
performance. Our experimental evaluation on several
benchmark data sets demonstrate that the proposed
approach outperforms the state-of-art models on various
tasks including prediction of human eye fixations, salient
object detection, and image-retargeting.
چکیده فارسی:به منظور شناسایی عناصر برجسته بینایی در صفحه های طبیعی کمپلکس، مدل های برجستگی پایین- بالا محاسباتی، چند کانال مشخصه مثل رنگ و جهت گیری را به طور موازی بررسی می کنند. آن ها، نگاشت مشخصه جداگانه ای را برای هر کانال محاسبه می کنند و سپس به طور خطی، این نگاشت ها را ترکیب می کنند تا یک نقشه برجسته اصلی ایجاد کنند. اما فقط چند تحقیق بررسی نموده است که چگونه ابعاد متفاوت مشخصه با برجستگی بینایی کل هم بخشی می کنند. ما این موضوع یکپارچه سازی را بیان نمودیم و از ماتریس های کواریانس مشخصات تصویر نمونه به عنوان متا مشخصه هایی برای برآورد برجستگی استفاده نمودیم. همانند نمایش های کم بعد بسته های تصویری، کوواریانس های منطقه ای، ساختارهای تصویر محلی بهتری از فیلترهای خطی استاندارد می گیرند، اما به طور حائز اهمیت، آن ها به طور طبیعی، یکپارچگی غیر خطی مشخصات متفاوت را از طریق مدل سازی همبستگی هایشان ارائه می دهند. ما نیز نشان دادیم که آمار مشخصه های مرتبه اول می توانند به آسانی در روش پیشنهادی جا داده شوند تا عملکرد را بهبود بخشند. ارزیابی تجربی ما بر اساس مجموعه داده های معیار نشان می دهد که روش پیشنهادی در کارهای متنوع اجرای بهتری نسبت به پیشرفته ترین مدل ها دارد که شامل پیش بینی تثبیت های چشم انسان، تشخیص شیء و هدف گیری مجدد تصویر است.
