Skip Navigation Linksلیست مقالات ترجمه شده / مقالات ترجمه شده مهندسی كامپيوتر /

عنوان ترجمه شده مقاله: رتبه‌بندی برجستگی

مقاله ترجمه شده کامپیوتر در مورد Ranking Saliency با دانلود رایگان مقاله انگلیسی.

Abstract

Most existing bottom-up algorithms measure the foreground saliency of a pixel or region based on its contrast within a local context or the entire image, whereas a few methods focus on segmenting out background regions and thereby salient objects. Instead of only considering the contrast between salient objects and their surrounding regions, we consider both foreground and background cues in this work. We rank the similarity of image elements with foreground or background cues via graph-based manifold ranking. The saliency of image elements is defined based on their relevances to the given seeds or queries. We represent an image as a multi-scale graph with fine superpixels and coarse regions as nodes. These nodes are ranked based on the similarity to background and foreground queries using affinity matrices. Saliency detection is carried out in a cascade scheme to extract background regions and foreground salient objects efficiently. Experimental results demonstrate the proposed method performs well against the state-of-the-art methods in terms of accuracy and speed. We also propose a new benchmark dataset containing 5,168 images for large-scale performance evaluation of saliency detection methods

چکیده

بیشتر الگوریتم‌های پایین‌به‌بالا، برجستگی پیش‌زمینه‌ی یک پیکسل یا ناحیه را بر اساس تمایز آن در یک زمینه‌ی محلی یا کل تصویر می‌سنجند. در حالی که روش‌های کمی بر روی قطعه‌بندی نواحی پس‌زمینه و درنتیجه اشیاء برجسته تمرکز می‌کنند. ما در این کار به جای این که فقط تمایز بین اشیاء برجسته و نواحی پیرامون آن‌ها را در نظر بگیریم، هم نشانه‌های پس‌زمینه و هم نشانه‌های پیش‌زمینه را مد نظر قرار قرار می‌دهیم. از طریق رتبه‌بندی manifold مبتنی بر گراف، شباهت اجزاء تصویر را با نشانه‌های پیش‌زمینه یا پس‌زمینه رتبه‌بندی می‌نماییم. برجستگی اجزاء تصویر بر اساس ارتباط آن‌ها با seedها یا پرس‌وجوهای مفروض تعریف می‌شوند. تصویر را به صورت یک گراف چندمقیاسه بازنمایی می‌کنیم که رئوس آن ابرپیکسل‌های ریز و نواحی درشت هستند. این رئوس با استفاده از ماتریس‌هایaffinity  بر اساس شباهت به پرس‌وجوهای پس‌زمینه یا پیش‌زمینه رتبه‌بندی می‌گردند. تشخیص برجستگی به یک روش آبشاری برای استخراج کارای نواحی پس‌زمینه و اشیاء برجسته‌ی پیش‌زمینه انجام می‌شود. نتایج تجربی نشان می‌دهند که عملکرد روش پیشنهادی از نظر دقت و سرعت نسبت به روش‌های مدرن خوب است. هم‌چنین یک مجموعه‌داده‌ی محک جدید حاوی 5,168 تصویر برای ارزیابی مقیاس بزرگ کارایی روش‌های تشخیص برجستگی ارائه می‌کنیم.

1- مقدمه

سامانه‌ی بینایی انسان با استفاده از توجه دیداری انتخابی می‌تواند اشیاء برجسته را در یک صحنه‌ی دیداری درهم تشخیص دهد. این توانایی در سامانه‌های محاسباتی دیداری برای اداره کردن مسأله‌ی اطلاعات بیش از حد، اهمیت فراوانی دارد. هدف از تشخیص برجستگی، شبیه‌سازی توجه دیداری انتخابی انسان برای شناسایی مهم‌ترین و بامعنی‌ترین بخش‌های یک صحنه است. تشخیص برجستگی به طور گسترده بر روی مسائل بینایی زیادی شامل مواردی مانند قطعه‌بندی تصویر [1]، تشخیص اشیاء [2]، فشرده‌سازی تصویر [3] و بازیابی مبتنی بر محتوای تصویر [4] اعمال شده است.

به طور کلی می‌توان تشخیص برجستگی را به مدل‌های پایین‌به‌بالا یا بالابه‌پایین دسته‌بندی کرد. روش‌های پایین‌به‌بالا [1]، [5]-[21] سریع، داده‌محور و پیش‌توجه هستند. این روش‌ها به وسیله‌ی تمایز یا نادر بودن دیداری و با استفاده از اطلاعات سطح پایین تصویر مانند تمایز (کنتراست)، رنگ، بافت و مرز، برجستگی را مدل می‌کنند. مدل‌های بالا‌به‌پایین [22]، [23] توجه دیداری وظیفه‌محور را تحلیل می‌نمایند که اغلب مستلزم یادگیری نظارتی از روی علامت دسته از مجموعه‌ای از نمونه‌های آموزشی است. یادآوری می‌کنیم که مدل‌های برجستگی برای پیش‌بینی توجه دیداری با تثبیت چشم (خیره شدن به یک نقطه) در بینایی انسان [5]-[10]،[24] و تشخیص اشیاء برجسته در بینایی رایانه [13]، [14]، [16] و [23] ایجاد شده‌اند. ما در این کار یک مدل پایین‌به‌بالا برای تشخیص اشیاء برجسته در تصاویر ارائه می‌کنیم....

 


موسسه ترجمه البرز اقدام به ترجمه مقاله " مهندسی فناوری اطلاعات " با موضوع " رتبه‌بندی برجستگی " نموده است که شما کاربر عزیز می توانید پس از دانلود رایگان مقاله انگلیسی و مطالعه ترجمه چکیده و بخشی از مقدمه مقاله، ترجمه کامل مقاله را خریداری نمایید.
عنوان ترجمه فارسی
رتبه‌بندی برجستگی
نویسنده/ناشر/نام مجله :
IEEE transactions on pattern analysis and machine intelligence
سال انتشار
2016
کد محصول
1011615
تعداد صفحات انگليسی
13
تعداد صفحات فارسی
44
قیمت بر حسب ریال
1,314,500
نوع فایل های ضمیمه
Pdf+Word
حجم فایل
10 مگا بایت
تصویر پیش فرض


این مقاله ترجمه شده را با دوستان خود به اشتراک بگذارید
سایر مقالات ترجمه شده مهندسی فناوری اطلاعات , مهندسی كامپيوتر را مشاهده کنید.
کاربر عزیز، بلافاصله پس از خرید مقاله ترجمه شده مقاله ترجمه شده و با یک کلیک می توانید مقاله ترجمه شده خود را دانلود نمایید. مقاله ترجمه شده خوداقدام نمایید.
جهت خرید لینک دانلود ترجمه فارسی کلیک کنید
جستجوی پیشرفته مقالات ترجمه شده
برای کسب اطلاعات بیشتر، راهنمای فرایند خرید و دانلود محتوا را ببینید
هزینه این مقاله ترجمه شده 1314500 ریال بوده که در مقایسه با هزینه ترجمه مجدد آن بسیار ناچیز است.
اگر امکان دانلود از لینک دانلود مستقیم به هر دلیل برای شما میسر نبود، کد دانلودی که از طریق ایمیل و پیامک برای شما ارسال می شود را در کادر زیر وارد نمایید


این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:





saliency detection
manifold ranking
multi-scale graph

تاریخ انتشار در سایت: 2017-12-16
جستجوی پیشرفته مقالات ترجمه شده
نظرتان در مورد این مقاله ترجمه شده چیست؟

ثبت سفارش جدید