In this paper, a deep network based

In this paper, a deep network based on Local Binary Pattern (LBP) descriptor is proposed, which is named as Local Binary Pattern Network (LBPNet). Two filters are used in LBPNet, which are based on LBP and Principle Component Analysis (PCA) techniques, respectively. The over-complete patch-based features are extracted hierarchically using these two filters. After feature extraction, the LBPNet employs a simple network to measure the similarity of the extracted features. Major characteristics of the proposed LBPNet are summarized in the following:
Feature extraction in dense grid: Both of the two filters are replicated densely in layers.
Multi layer architecture: The representations are extracted hierarchically: the latter layer extracts a higher level of abstractions from the lower ones of the earlier layer.
Partially connected layer: Filters only compute based on the selected subset of the inputs from the earlier layer.
Multi-scale analysis: Filters with different parameters are used in each of the layers to capture multi-scale statistics.

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ เครือข่ายลึกที่ใช้อธิบายรูปแบบไบนารีในท้องถิ่น (แอล) จะเสนอ ซึ่งมีชื่อเป็นไบนารีแบบเครือข่ายท้องถิ่น (LBPNet) ฟิลเตอร์ที่สองจะใช้ใน LBPNet ซึ่งเป็นไปตามเทคนิคการวิเคราะห์ส่วนประกอบหลัก (PCA) และแอล ตามลำดับ การดำเนินการมากกว่าแพทช์คุณลักษณะถูกแยกตามลำดับชั้นโดยใช้ฟิลเตอร์เหล่านี้สอง หลังจากสกัดคุณลักษณะ LBPNet การใช้เครือข่ายแบบง่าย ๆ ในการวัดความคล้ายกันของลักษณะการทำงานแยก ลักษณะสำคัญของ LBPNet นำเสนอสามารถสรุปได้ในต่อไปนี้: การดึงในกริดหนาแน่น: ฟิลเตอร์สองทั้งสองจะถูกจำลองแบบหนาแน่นในชั้น หลายชั้นสถาปัตยกรรม: แทนที่จะถูกแยกตามลำดับชั้น: ชั้นหลังแยก abstractions ระดับสูงขึ้นจากต่ำกว่าของชั้นก่อนหน้านี้ ชั้นเชื่อมต่อบางส่วน: กรองคำนวณอิงเลือกชุดย่อยของปัจจัยการผลิตจากชั้นก่อนหน้านี้ การวิเคราะห์หลายระดับ: มีพารามิเตอร์ที่แตกต่างกันใช้ในแต่ละชั้นในการเก็บสถิติหลายขนาด

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เป็นเครือข่ายลึกขึ้นอยู่กับรูปแบบไบนารีท้องถิ่น (LBP) บ่งเสนอซึ่งมีชื่อเป็นเครือข่ายแบบไบนารีท้องถิ่น (LBPNet) สอง lters Fi ที่ใช้ใน LBPNet ซึ่งจะขึ้นอยู่กับ LBP และหลักการวิเคราะห์องค์ประกอบ (PCA) เทคนิคตามลำดับ คุณสมบัติแพทช์ที่ใช้มากกว่าที่สมบูรณ์จะถูกดึงลำดับชั้นใช้ทั้งสอง lters Fi หลังจากการสกัดคุณลักษณะที่ LBPNet พนักงานเครือข่ายแบบง่ายๆในการวัดความคล้ายคลึงกันของคุณสมบัติสกัด ลักษณะที่สำคัญของ LBPNet ที่นำเสนอมีรายละเอียดดังต่อไปนี้:
การสกัดคุณลักษณะในตารางหนาแน่น: ทั้งสองของทั้งสอง lters Fi ถูกจำลองแบบหนาแน่นในชั้น.
สถาปัตยกรรมหลายชั้นการแสดงสกัดลำดับชั้น: ชั้นหลังสารสกัดจากระดับที่สูงขึ้นของแนวคิดจาก คนที่ลดลงของชั้นก่อนหน้านี้.
ชั้นเชื่อมต่อบางส่วน: กรองเพียงคำนวณบนพื้นฐานของระบบย่อยที่เลือกของปัจจัยการผลิตจากชั้นก่อนหน้านี้.
การวิเคราะห์แบบหลายขนาดการกรองที่มีพารามิเตอร์ที่แตกต่างกันมีการใช้ในแต่ละชั้นจะจับสถิติหลายขนาด