AbstractRotation in closed contour

Abstract
Rotation in closed contour recognition is a puzzling nuisance
in most algorithms. In this paper we address three
fundamental issues brought by rotation in shapes: 1) is
alignment among shapes necessary? If the answer is “no”,
2) how to exploit information in different rotations? and
3) how to use rotation unaware local features for rotation
aware shape recognition?
We argue that the origin of these issues is the use
of hand crafted rotation-unfriendly features and measurements.
Therefore our goal is to learn a set of hierarchical
features that describe all rotated versions of a shape as
a class, with the capability of distinguishing different such
classes. We propose to rotate shapes as many times as possible
as training samples, and learn the hierarchical feature
representation by effectively adopting a convolutional neural
network. We further show that our method is very effi-
cient because the network responses of all possible shifted
versions of the same shape can be computed effectively by
re-using information in the overlapping areas. We tested the
algorithm on three real datasets: Swedish Leaves dataset,
ETH-80 Shape, and a subset of the recently collected Leafsnap
dataset. Our approach used the curvature scale space
and outperformed the state of the art.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อหมุนเวียนในการรับรู้จากปิดคือ รำคาญทำให้งงในอัลกอริทึมส่วนใหญ่ ในเอกสารนี้ เราสามปัญหาพื้นฐานโดยหมุนในรูปร่าง: 1) คือการจัดตำแหน่งระหว่างรูปร่างที่จำเป็นหรือไม่ ถ้าคำตอบคือ "ไม่"2) อย่างไรเพื่อใช้ประโยชน์ในการหมุนเวียนแตกต่างกัน และ3) วิธีการใช้คุณลักษณะเฉพาะการณ์หมุนสำหรับหมุนการรับรู้รูปทรงทราบเราโต้แย้งว่า จุดเริ่มต้นของปัญหาเหล่านี้ใช้มือหมุนโรงแรมลักษณะและหน่วยวัดดังนั้น เป้าหมายของเราคือการ เรียนรู้ชุดของลำดับชั้นคุณลักษณะที่อธิบายทุกรุ่นหมุนรูปร่างเป็นเรียน มีความสามารถในการแยกความแตกต่างแตกต่างกันเช่นห้องเรียน เราเสนอการหมุนรูปร่างได้หลายครั้งเป็นตัวอย่างของการฝึกอบรม และเรียนรู้ลักษณะการทำงานแบบลำดับชั้นนำเสนอ โดยใช้การ convolutional ได้อย่างมีประสิทธิภาพประสาทเครือข่าย เราเพิ่มเติมแสดงว่า วิธีการของเรา มาก effi-cient ได้เนื่องจากการตอบสนองของเครือข่ายของทั้งหมดได้เปลี่ยนสามารถคำนวณรุ่นรูปร่างเดียวกันได้อย่างมีประสิทธิภาพโดยการใช้ข้อมูลในพื้นที่ทับซ้อนกัน เราทดสอบการอัลกอริทึมใน datasets จริงสาม: ออกจากสวีเดนชุดข้อมูลรูปร่าง ETH-80 และชุดย่อยของ Leafsnap รวบรวมล่าสุดชุดข้อมูล วิธีการของเราใช้พื้นที่มาตราส่วนโค้งและ outperformed ทันสมัย

ผลลัพธ์ (ไทย) 2:

บทคัดย่อการหมุนในการรับรู้เส้นปิดเป็นความรำคาญงงในขั้นตอนวิธีการมากที่สุด ในบทความนี้เราอยู่ที่สามปัญหาพื้นฐานมาโดยการหมุนในรูปทรงที่ 1) คือการจัดตำแหน่งในหมู่รูปทรงจำเป็น? ถ้าคำตอบคือ "ไม่" 2) วิธีการที่จะใช้ประโยชน์จากข้อมูลในการหมุนที่แตกต่างกัน? และ3) วิธีการใช้การหมุนคุณลักษณะท้องถิ่นไม่รู้สำหรับการหมุนการรับรู้รูปทรงตระหนักถึง? เรายืนยันว่าที่มาของปัญหาเหล่านี้คือการใช้ที่มือ crafted คุณสมบัติหมุนที่ไม่เป็นมิตรและการวัด. ดังนั้นเป้าหมายของเราคือการเรียนรู้ชุดของลำดับชั้นคุณลักษณะที่อธิบายหมุนทุกรุ่นของรูปร่างเป็นระดับที่มีความสามารถในการแยกความแตกต่างดังกล่าวที่แตกต่างกันในชั้นเรียน เราเสนอเพื่อหมุนรูปทรงได้บ่อยเท่าที่เป็นไปได้เป็นตัวอย่างการฝึกอบรมและเรียนรู้คุณลักษณะลำดับชั้นการแสดงโดยมีประสิทธิภาพการนำประสาทconvolutional เครือข่าย เรายังแสดงให้เห็นว่าวิธีการของเราคือที่สุดนั่นคือมากเพียงพอเพราะการตอบสนองของเครือข่ายเป็นไปได้ทั้งหมดขยับรุ่นรูปร่างเดียวกันสามารถคำนวณได้อย่างมีประสิทธิภาพโดยอีกครั้งโดยใช้ข้อมูลในพื้นที่ที่ทับซ้อนกัน เราทดสอบอัลกอริทึมในสามชุดข้อมูลจริง: ชุดสวีเดนใบรูปร่างETH-80 และส่วนหนึ่งของที่เก็บได้เมื่อเร็ว ๆ นี้ Leafsnap ชุด วิธีการของเราใช้พื้นที่ขนาดความโค้งและเฮงรัฐของศิลปะ

ผลลัพธ์ (ไทย) 3:

ปิดเส้นนามธรรมหมุนในการรับรู้เป็น
รบกวนงงในอัลกอริทึมมากที่สุด ในกระดาษนี้เราที่อยู่ 3
พื้นฐานปัญหานำโดยการหมุนรูปร่าง : 1 )
แนวของรูปร่างที่จำเป็น ? ถ้าคำตอบคือ " ไม่ "
2 ) วิธีการที่จะใช้ประโยชน์จากข้อมูลในการหมุนที่แตกต่างกัน ? และ
3 ) การใช้หมุนไม่รู้ท้องถิ่นคุณสมบัติการหมุน
ตระหนักถึงการรับรู้รูปร่าง ?
เรายืนยันว่า ที่มาของปัญหาเหล่านี้คือการใช้คุณสมบัติของมือ crafted หมุน

ไม่เป็นมิตรและการวัด ดังนั้นเป้าหมายของเราคือการเรียนรู้ชุดลำดับชั้น
คุณลักษณะที่อธิบายทั้งหมดหมุนรุ่นรูปร่างเป็น
คลาส ที่มีความสามารถในการแยกชั้นเรียนเช่น
แตกต่างกัน เราเสนอที่จะหมุนรูปทรงหลายครั้งตามที่เป็นไปได้
เป็นตัวอย่างการฝึกอบรมและเรียนรู้การแสดงคุณลักษณะลำดับชั้นโดยมีประสิทธิภาพการใช้คอน

ประสาทเครือข่าย เราเพิ่มเติมได้แสดงให้เห็นว่าวิธีการมาก effi -
cient เพราะเครือข่ายการตอบสนองของทั้งหมดที่เป็นไปได้เปลี่ยน
รุ่นของรูปร่างเดียวกันสามารถคำนวณได้อย่างมีประสิทธิภาพโดย
Re โดยใช้ข้อมูลในพื้นที่ทับซ้อน . เราทดสอบ
ขั้นตอนวิธี 3 ข้อมูลที่แท้จริง : สวีเดนข้อมูล
ใบ ,eth-80 รูปร่างและส่วนย่อยของเมื่อเร็ว ๆนี้รวบรวมข้อมูล leafsnap
. วิธีการของเราที่ใช้ความโค้งและขนาดพื้นที่
ในรัฐของศิลปะ .