Preliminary annotations were collec

Preliminary annotations were collected from local tourist
guides. Inorder to extend the utility of our mobile Heritage
App, we want to reach out to the scholastic community in
this domain of history and architecture. In this way, we seek
to present more precise and detailed information to the end
users.
We demonstrate a mobile vision app for scalable annotation
retrieval at tourist heritage sites. The annotation
retrieval pipeline is based on a robust BoW-based image retrieval
and matching and works on an underlying database
of annotated images. We see this as an initial step to build
large-scale image and annotation retrieval applications. Here,
we have experimented with a 5K-10K database of images
and tried to incorporate a scalable approach that can work
with a database of 100K or 1M images. We want to extend
our mobile app to successfully retrieve from a larger image
database with similar eciency. Although SIFT is a more
robust descriptor, extracting the SIFT descriptors is computationally
expensive on a mobile phone and consumes 35-
40% of the total time in retrieving annotations. Using faster
and compact descriptors could be an interesting alternative.
These problems are the future scope of our work.

ผลลัพธ์ (ไทย) 1:

คำอธิบายเบื้องต้นได้รวบรวมจากการท่องเที่ยวไกด์ รู้สึก Inorder ขยายประโยชน์ของโทรศัพท์มือถือของเราป เราต้องการเข้าถึงชุมชนด้านในโดเมนนี้ประวัติศาสตร์และสถาปัตยกรรม ในวิธีนี้ เราแสวงหานำเสนอข้อมูลเพิ่มเติมโดย ละเอียดการสิ้นสุดผู้ใช้เราแสดง app วิสัยทัศน์มือถือสำหรับปรับขนาดคำอธิบายเรียกที่มรดกท่องเที่ยว ข้อมูลกำกับไปป์ไลน์การเรียกตามการเรียกรูปโบว์ทนทานจับคู่ และทำงานบนฐานข้อมูลพื้นฐานภาพประกอบ เราเห็นนี้เป็นขั้นตอนแรกเพื่อสร้างขนาดใหญ่ภาพและคำอธิบายการเรียกใช้งาน ที่นี่เราได้ทดลองกับฐานข้อมูลของภาพ 5K - 10Kการรวมวิธีการปรับขนาดที่สามารถทำงานมีฐานข้อมูลภาพ 100K หรือ 1M เราต้องการขยายแอพบนมือถือของเราเรียบร้อยเรียกจากรูปที่ใหญ่ขึ้นฐานข้อมูล ด้วยไฟฟ้า e คล้าย แม้ว่า SIFT จะมากขึ้นทนทาน แยกตัวบอก SIFT อยู่ computationallyโทรศัพท์มือถือราคาแพง และสิ้นเปลือง 35 -40% ของเวลาทั้งหมดในการเรียกใช้คำอธิบายประกอบ ใช้ได้เร็วขึ้นและกระชับตัวบอกอาจจะเป็นทางเลือกที่น่าสนใจปัญหาเหล่านี้มีขอบเขตงานของเราในอนาคต

ผลลัพธ์ (ไทย) 2:

คำอธิบายประกอบเบื้องต้นที่ถูกเก็บรวบรวมจากการท่องเที่ยวในท้องถิ่น
คู่มือ inorder ที่จะขยายประโยชน์ของเฮอริเทจมือถือของเรา
App เราต้องการที่จะยื่นมือออกไปชุมชนนักวิชาการใน
โดเมนของประวัติศาสตร์และสถาปัตยกรรมนี้ ด้วยวิธีนี้เราพยายามที่
จะนำเสนอข้อมูลที่แม่นยำมากขึ้นและมีรายละเอียดไปที่สิ้นสุด
ผู้ใช้.
เราแสดงให้เห็นถึงวิสัยทัศน์ของ App มือถือสำหรับบันทึกย่อที่ปรับขนาดได้
ดึงที่ท่องเที่ยวแหล่งมรดก คำอธิบายประกอบ
ท่อดึงจะขึ้นอยู่กับการดึงภาพที่แข็งแกร่ง Bow-based
และการจับคู่และทำงานบนฐานข้อมูลพื้นฐาน
ของภาพข้อเขียน เราเห็นนี้เป็นขั้นตอนแรกในการสร้าง
ภาพและคำอธิบายประกอบขนาดใหญ่ใช้งานการดึง ที่นี่
เราได้ทดลองกับฐานข้อมูล 5K-10K ของภาพ
และพยายามที่จะรวมกันเป็นวิธีการขยายขีดความสามารถที่สามารถทำงาน
กับฐานข้อมูลของ 100K หรือภาพ 1M เราต้องการที่จะขยาย
app มือถือของเราที่จะประสบความสำเร็จในการดึงจากภาพขนาดใหญ่
ฐานข้อมูลคล้ายกับ E? ciency แม้ว่าร่อนเป็นมากขึ้น
บ่งแข็งแกร่งสกัดอธิบายร่อนเป็นคอมพิวเตอร์
ที่มีราคาแพงบนโทรศัพท์มือถือและสิ้นเปลือง 35
40% ของเวลาทั้งหมดในการเรียกคำอธิบายประกอบ ใช้เร็วขึ้น
อธิบายและขนาดเล็กอาจจะเลือกที่น่าสนใจ.
ปัญหาเหล่านี้มีขอบเขตในอนาคตของการทำงานของเรา

ผลลัพธ์ (ไทย) 3:

บันทึกย่อที่ถูกเก็บจากนักท่องเที่ยวท้องถิ่นเบื้องต้นมัคคุเทศก์ โดยขยายสาธารณูปโภคมรดกของมือถือของเราApp ที่เราต้องการเพื่อให้เข้าถึงการศึกษาในชุมชนนี้โดเมนของประวัติศาสตร์และสถาปัตยกรรม ในวิธีนี้ เราแสวงหาปัจจุบันที่แม่นยำมากขึ้นและรายละเอียดจนถึงที่สุดผู้ใช้เราแสดงวิสัยทัศน์ด้านการจัดการ App โทรศัพท์มือถือสำหรับสืบค้นในเว็บไซต์มรดกท่องเที่ยว บันทึกย่อท่อดึงยึดคันธนูที่แข็งแกร่งจากการค้นคืนรูปภาพและการจับคู่และการทำงานบนฐานข้อมูลต้นแบบของบันทึกย่อภาพ เราเห็นนี้เป็นขั้นตอนแรกเพื่อสร้างภาพขนาดใหญ่และการประยุกต์ใช้ระบบการจัดการ . ที่นี่เราได้ทดลองกับฐานข้อมูล 5k-10k ของภาพและพยายามที่จะรวมวิธีการที่ยืดหยุ่นที่สามารถทํางานกับฐานข้อมูลของ แสน หรือ 1 ล้านภาพ เราต้องการที่จะขยายapp มือถือของเราไปเรียบร้อยแล้ว เรียก จากภาพใหญ่ด้วยฐานข้อมูล eciency คล้ายกัน แม้ว่าร่อนเป็นเพิ่มเติมหัวเรื่อง สามารถแยกเป็น computationally ในร่อนราคาแพงบนโทรศัพท์มือถือ และใช้ 3 .40% ของเวลาทั้งหมดในการรับเครื่องหมาย ใช้เร็วขึ้นและมีขนาดกะทัดรัดในอาจเป็นทางเลือกที่น่าสนใจปัญหาเหล่านี้มีขอบเขตของงานในอนาคตของเรา