• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Multimedia on mobile devices 2011, and multimedia content access: algorithms and systems V >SENSC Algorithm for Object Scene Categorization
【24h】

SENSC Algorithm for Object Scene Categorization

机译：SENSC对象和场景分类算法

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

So far, the most popular method for object & scene categorization (such as Vector Quantization (VQ), Sparse coding (SC)) transforms low-level descriptors (usually SIFT descriptors) into mid-level representations with more meaningful information. These methods have two key steps: (1) the building dictionary step, which provides a mechanism to map low-level descriptors into mid-level representations. (2) The coding step, which implements the map from low-level descriptors to mid-level representation for each image by the dictionary. In this paper, we proposed to use a stable and efficient nonnegative sparse coding (SENSC) algorithm for building dictionary and coding each image with it to develop an extension of Spatial Pyramid Matching (SPM) method. We also compare SENSC with SC (state-of-the-art performance) method and VQ method, analysis the drawbacks of SC and VQ for building dictionary, and show SENSC algorithm's performance. According to the experiments on three benchmarks (CaltechlOl, scene, and events), the method we proposed has shown a better performance than SC and VQ methods.
机译：到目前为止，最流行的对象和场景分类方法（例如矢量量化（VQ），稀疏编码（SC））将低级描述符（通常为SIFT描述符）转换为具有更有意义信息的中级表示。这些方法有两个关键步骤：（1）构建字典步骤，该步骤提供了一种机制，可将低级描述符映射到中级表示形式。 （2）编码步骤，通过字典为每个图像实现从低级描述符到中级表示的映射。在本文中，我们提出使用稳定高效的非负稀疏编码（SENSC）算法来构建字典，并对每个图像进行编码，以扩展空间金字塔匹配（SPM）方法。我们还将SENSC与SC（最新性能）方法和VQ方法进行了比较，分析了SC和VQ在构建字典中的弊端，并展示了SENSC算法的性能。根据在三个基准（Caltech101，场景和事件）上进行的实验，我们提出的方法显示出比SC和VQ方法更好的性能。

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