(Step 1) First, we randomly selecte

(Step 1) First, we randomly selected about 1000 concrete
object words from a Japanese dictionary, and collected about
100 images for each object word from the Internet using the
image searching API provided by the Microsoft Bing Search.
(Step 2) We extracted edges from each image, and found
keypoints using the SIFT algorithm implemented in OpenCV.
Then, we selected 100 keypoints from each image, and applied
the bags-of-keypoints technique to the set of images [6]. In
this process, we employed the k-means clustering algorithm to
define 100 visual words. As a result, each image was
represented as a 100-dimensional visual words vector. (Step 3)
Note that our goal was not to recognize the shape of a given
image but to categorize a set of images according into their

ผลลัพธ์ (ไทย) 1:

(ขั้นตอนที่ 1) ครั้งแรก เราสุ่มคอนกรีตประมาณ 1000วัตถุคำ จาก พจนานุกรมญี่ปุ่น และรวบรวมเกี่ยวกับ100 ภาพสำหรับแต่ละวัตถุ word จากอินเทอร์เน็ตโดยใช้การภาพ API ค้นหาโดยค้นหา Bing ของ Microsoft(ขั้นตอนที่ 2) เราสกัดขอบจากแต่ละภาพ และไม่พบkeypoints โดยใช้อัลกอริทึม SIFT ที่นำมาใช้ใน OpenCVจากนั้น เราเลือก 100 keypoints จากแต่ละภาพ และใช้เทคนิคกระเป๋าของ keypoints ในชุดของภาพ [6] ในกระบวนการนี้ เราใช้อัลกอริธึม clustering ถึงการกำหนดคำ 100 ภาพ เป็นผล แต่ละภาพได้แสดงเป็นคำ 100 มิติภาพเวกเตอร์ (ขั้นตอนที่ 3)หมายเหตุว่า เป้าหมายของเราไม่ได้รู้จักรูปร่างของการกำหนดภาพแต่การจัดประเภทชุดตามในภาพของพวกเขา

ผลลัพธ์ (ไทย) 2:

(ขั้นตอนที่ 1) ครั้งแรกที่เราสุ่มเลือกประมาณ 1000 คอนกรีต
คำวัตถุจากพจนานุกรมญี่ปุ่นและเก็บรวบรวมเกี่ยวกับ
100 ภาพสำหรับวัตถุแต่ละคำจากอินเทอร์เน็ตโดยใช้
ภาพค้นหา API ให้โดย Microsoft Bing ค้นหา.
(ขั้นตอนที่ 2) เราสกัดขอบ จากภาพแต่ละภาพและพบ
keypoints ใช้วิธีร่อนดำเนินการใน OpenCV.
จากนั้นเราเลือก 100 keypoints จากภาพแต่ละภาพและนำไปประยุกต์ใช้
เทคนิคถุงของ keypoints ถึงชุดของภาพ [6] ใน
ขั้นตอนนี้เราจ้างขั้นตอนวิธี K-วิธีการจัดกลุ่มเพื่อ
กำหนด 100 คำภาพ เป็นผลให้ภาพแต่ละภาพได้รับการ
แสดงเป็น 100 มิติคำภาพเวกเตอร์ (ขั้นตอนที่ 3)
โปรดทราบว่าเป้าหมายของเราไม่ได้ที่จะรับรู้รูปร่างของรับ
ภาพ แต่จะจัดหมวดหมู่ชุดของภาพตามเป็นของ

ผลลัพธ์ (ไทย) 3:

( ขั้นตอนที่ 1 ) ตอนแรก เราสุ่ม , คอนกรีตวัตถุคำพูดจากพจนานุกรมภาษาญี่ปุ่นและรวบรวมเกี่ยวกับ100 ภาพสำหรับแต่ละวัตถุข้อความจากอินเทอร์เน็ตโดยใช้การค้นหารูปภาพ API โดย Microsoft Bing ค้นหา( ขั้นตอนที่ 2 ) เราดึงขอบจากภาพแต่ละภาพ และพบkeypoints โดยใช้อัลกอริทึมที่ใช้ในการร่อนเป็นการ .งั้นเราเลือก 100 keypoints จากภาพแต่ละภาพและการประยุกต์ถุง keypoints เทคนิคกับชุดของภาพ [ 6 ] ในกระบวนการนี้ เราใช้ k-means การจัดกลุ่มขั้นตอนวิธีกำหนด 100 คำ ภาพ ผลคือ ภาพแต่ละภาพ คือแสดงเป็น 100 มิติภาพคำเวกเตอร์ ( ขั้นตอนที่ 3 )โปรดทราบว่าเป้าหมายของเราคือไม่ต้องจำรูปร่างให้แต่การจัดหมวดหมู่ภาพชุดของภาพตามของเขา