This paper addresses the problem of

This paper addresses the problem of generating possible object locations
for use in object recognition. We introduce Selective Search
which combines the strength of both an exhaustive search and segmentation.
Like segmentation, we use the image structure to guide
our sampling process. Like exhaustive search, we aim to capture
all possible object locations. Instead of a single technique to generate
possible object locations, we diversify our search and use a
variety of complementary image partitionings to deal with as many
image conditions as possible. Our Selective Search results in a
small set of data-driven, class-independent, high quality locations,
yielding 99% recall and a Mean Average Best Overlap of 0.879 at
10,097 locations. The reduced number of locations compared to
an exhaustive search enables the use of stronger machine learning
techniques and stronger appearance models for object recognition.
In this paper we show that our selective search enables the use of
the powerful Bag-of-Words model for recognition. The Selective
Search software is made publicly available

ผลลัพธ์ (ไทย) 1:

เอกสารนี้อยู่ปัญหาของการสร้างสถานที่เก็บวัตถุได้สำหรับใช้ในการรู้จำวัตถุ เราแนะนำค้นหางานซึ่งรวมความแข็งแกร่งของการค้นหาที่ครบถ้วนสมบูรณ์และแบ่งเช่นแบ่ง เราใช้โครงสร้างรูปเพื่อเป็นแนวทางกระบวนการสุ่มตัวอย่างของเรา เช่นค้นหาหมดแรง เรามุ่งมั่นที่จะจับภาพตำแหน่งวัตถุได้ทั้งหมด แทนเทคนิคเดียวเพื่อสร้างสถานที่เก็บวัตถุได้ เรามากมายที่เราค้นหาและใช้เป็นความหลากหลายของ partitionings รูปเพิ่มเติมเพื่อจัดการกับมากที่สุดเงื่อนไขรูปสุด ผลการค้นหาของเราเลือกในการชุดเล็กที่ตำแหน่งขับ เคลื่อนข้อมูล เรียนอิสระ สูงคุณภาพผลผลิตเรียกคืน 99% และยังหมายความว่าเฉลี่ยสุดทับซ้อนกันของ 0.879 ที่ตำแหน่ง 10,097 จำนวนลดลงเมื่อเทียบกับสถานใช้เรียนรู้เครื่องแข็งแกร่งช่วยให้การค้นหาที่ครบถ้วนสมบูรณ์เทคนิคและลักษณะรูปแบบที่แข็งแกร่งสำหรับการรู้จำวัตถุในเอกสารนี้ เราแสดงว่า เราค้นหามาตรการช่วยให้การใช้รูปแบบกระเป๋าของคำมีประสิทธิภาพสำหรับการรับรู้ ที่เลือกค้นหาซอฟต์แวร์จะเผย

ผลลัพธ์ (ไทย) 3:

บทความนี้เน้นปัญหาของการสร้างสถานที่เป็นไปได้วัตถุ
เพื่อใช้ในการรู้จำวัตถุ . เราแนะนำการค้นหา
ซึ่งรวมแรงทั้งการค้นหาที่ละเอียดถี่ถ้วนและการแบ่งส่วน .
ชอบตัด เราใช้โครงสร้างภาพคู่มือ
กระบวนการตัวอย่างของเรา ต้องการค้นหาอย่างละเอียด เราจุดมุ่งหมายเพื่อจับภาพ
สถานที่วัตถุทั้งหมดที่เป็นไปได้แทนที่จะเป็นเทคนิคเดียวที่จะสร้าง
สถานที่วัตถุที่เป็นไปได้ เรากระจายการค้นหาและใช้ความหลากหลายของภาพ
partitionings ประกอบเพื่อจัดการกับเงื่อนไขหลายรูป
ที่สุด ผลการค้นหางานในชุดของคลาส -
ขนาดเล็ก , อิสระ , สถานที่ที่มีคุณภาพสูง
หยุ่นจำ 99% และค่าเฉลี่ยที่ดีที่สุดซ้อนของ 0.879 ที่
10097 สถานที่การลดจำนวนของสถานที่ เมื่อเทียบกับการค้นหาที่ละเอียดถี่ถ้วน
ให้ใช้แข็งแกร่งการเรียนรู้ของเครื่อง
เทคนิครูปแบบลักษณะที่ปรากฏให้รับรู้ และแข็งแกร่ง .
ในบทความนี้เราแสดงให้เห็นว่า การเลือกของเราช่วยให้ใช้
ถุงที่มีประสิทธิภาพของรูปแบบคำสำหรับการรับรู้ ซอฟต์แวร์ค้นหา selective
าเปิดเผยต่อสาธารณชน