• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>SPIE Defense + Security Conference >An Approach to Image Clustering and Retrieval
【24h】

An Approach to Image Clustering and Retrieval

机译：图像聚类与检索的一种方法

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper presents another outlook on image description, classification and retrieval. Some popular image description methods are Histogram of Oriented Gradients (HoG), Speed Up Robust Features (SURF) and Scale Invariant Feature Transform (SIFT). While SURF and SIFT both use "interest points" to describe an image, HoG uses all of the points in the image. One of the goals of this paper is to improve HoG by creating a feature vector containing more information about the image. The proposed description method is called the Histogram of Second order Oriented Gradients (HSoG) and it was shown to perform better than HoG using a dataset comprising of airplanes, cars and motorbikes by supervised learning. The second goal is to tackle image clustering for aid in unsupervised learning and this paper explores a method called Localized Clustering with a comparison to K-Means. The localized clustering approach does not require the number of clusters as an input but it does return what it determines the number of clusters should be. Finally, The retrieval process presented involves training a linear SVM with known labels (supervised) to evaluate the effectiveness of HoG vs HSoG and HSoG out performs HoG.
机译：本文提出了图像描述，分类和检索的另一种观点。一些流行的图像描述方法是定向梯度直方图（HoG），加速鲁棒特征（SURF）和尺度不变特征变换（SIFT）。虽然SURF和SIFT都使用“兴趣点”来描述图像，但HoG会使用图像中的所有点。本文的目标之一是通过创建包含有关图像的更多信息的特征向量来改善HoG。所提出的描述方法称为二阶定向直方图（HSoG），通过监督学习，使用包含飞机，汽车和摩托车的数据集，该方法表现出比HoG更好的效果。第二个目标是解决图像聚类问题，以帮助进行无监督学习，本文探索了一种称为“局部聚类”的方法，并将其与K-Means进行了比较。本地化群集方法不需要输入群集数，但会返回确定群集数应为多少的结果。最后，提出的检索过程涉及训练带有已知标签（受监督）的线性SVM，以评估HoG与HSoG的有效性，HSoG优于HoG。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号