دانلود ترجمه مقاله کد نویسی خطی، تحت قیود محلی، برای طبقه بندی تصویر

1. مقدمه 2. کدنویسی خطی، تحت قیود محلی 2.1. توصیف گرهای کدنویسی در VQ 2.2. توصیف گرهای کدنویسی در ScSPM 2.3. کدنویسی توصیف گر در LLC 2.4. خصوصیات LLC 3. LLC تقریبی برای انکودینگ سریع 4. بهینه سازی کتاب کد 5. نتایج آزمایشگاهی 5.1. Caltech-101 5.2. Caltech-256 5.3. پاسکال VOC 2007 5.4. بحث و بررسی 6. نتیجه گیری و مطالعات آتی

چکیده – رویکرد سنتی SPM که مبتنی بر بسته ویژگی ها (BOF) است، نیاز به طبقه بندی کننده های غیر خطی دارد تا بتواند به عملکرد طبقه بندی تصویری خوب برسد. این مقاله، طرح کدنویسی ساده اما موثری را با نام کد نویسی خطی، تحت قیود محلی (LLC)، به جای کد نویسی VQ در SPM سنتی ارائه می کند. LLC از قیود محلی برای تصویر کردن هر توصیف کننده در سیستم مختصات محلی آن استفاده می کند و مختصات تصویر شده توسط پولینگ حداکثر، یکپارچه سازی می شوند تا بتوان نمایش نهایی را ایجاد نمود. با استفاده از طبقه بندی کننده خطی، رویکرد پیشنهادی، عملکرد بسیار بهتری به نسبت SPM خطی سنتی داشته و در چندین معیار، به عملکرد مدرن می رسد. در مقایسه با استراتژی کد نویسی پراکنده [22]، تابع هدف استفاده شده توسط LLC، پاسخی تحلیلی دارد. علاوه بر آن، این مقاله، یک روش LLC تقریبی سریع را با استفاده از جستجوی همسایه K در وهله اول و سپس حل کردن مسئله برازندگی حداقل مربعات، تحت قید، پیشنهاد می کند که پیچیدگی محاسباتی این مسئله، O (M+K2) می باشد. بنابراین حتی در کتاب های کد بسیار بزرگ، سیستم ما می تواند چندین فریم را به ازای چندین ثانیه پردازش کند. این بازدهی، ارزش عملی LLC برای کاربردهای حقیقی را به صورت چشمگیری افزایش می دهد.

The traditional SPM approach based on bag-of-features (BoF) requires nonlinear classifiers to achieve good image classification performance. This paper presents a simple but effective coding scheme called Locality-constrained Linear Coding (LLC) in place of the VQ coding in traditional SPM. LLC utilizes the locality constraints to project each descriptor into its local-coordinate system, and the projected coordinates are integrated by max pooling to generate the final representation. With linear classifier, the proposed approach performs remarkably better than the traditional nonlinear SPM, achieving state-of-the-art performance on several benchmarks. Compared with the sparse coding strategy [22], the objective function used by LLC has an analytical solution. In addition, the paper proposes a fast approximated LLC method by first performing a K-nearest-neighbor search and then solving a constrained least square fitting problem, bearing computational complexity of O(M + K2). Hence even with very large codebooks, our system can still process multiple frames per second. This efficiency significantly adds to the practical values of LLC for real applications.