Feature selection and extraction Th

Feature selection and extraction The definition of a local feature working with images may include a huge variability of options, for instance just varying the size and the shape of the feature. However, we have only considered squared windows of size w × w. Regarding the locations where to extract these patches, the simplest case is to use a fixed sampling grid for all the images. However, this selection leads to a computationally demanding learning due to the huge number of patches obtained. Therefore, we propose to select the patches with high information content, discarding those which associated p(accuracy|x[i] ) is likely to be very low (for instance, uniform patches). According to this procedure, given an image, we have to obtain a binary mask in which each active pixel denotes the center position of a patch to be extracted. The process to create this binary mask for each image is as follows. First of all, we create another image with a Sobel filter which emphasizes edges and translations. After that, we apply a low-pass filter over this image and the values are binarized using a threshold. Finally, we extract the patches centered in each active pixel in the binary mask, removing those that lie outside the image. Each patch is normalized to have zero-mean and unit-variance. The entire process is represented in the Fig. 2. A similar method was proposed in [26] to extract only informative patches.

ผลลัพธ์ (ไทย) 1:

เลือกคุณลักษณะและการสกัดคำนิยามของคุณลักษณะภายในที่ทำงานกับรูปภาพอาจมีความแปรผันมากตัวเลือก ตัวอย่าง เพียงแตกต่างกันขนาดและรูปร่างของลักษณะการทำงาน อย่างไรก็ตาม เรามีเพียง windows เป็นกำลังสองของขนาด× w ปริมาณเกี่ยวกับตำแหน่งที่ตั้งแยกซอฟต์แวร์เหล่านี้ กรณีที่ง่ายที่สุดคือการ ใช้ตารางสุ่มตัวอย่างถาวรสำหรับภาพทั้งหมด อย่างไรก็ตาม ตัวเลือกนี้นำไปสู่การเรียน computationally เรียกร้องเนื่องจากจำนวนซอฟต์แวร์ที่ได้รับมาก ดังนั้น เราเสนอเพื่อเลือกการปรับปรุงเนื้อหารายละเอียดสูง ละทิ้งผู้ p ที่เกี่ยวข้อง (accuracy|x [i]) มีแนวโน้มจะต่ำมาก (เช่น ยูนิฟอร์มปรับปรุง) ตามขั้นตอนนี้ ให้ภาพ เราได้รับเป็นรูปแบบไบนารีซึ่งแต่ละพิกเซลที่ใช้งานอยู่แสดงตำแหน่งศูนย์ของแพทช์ไป กระบวนการสร้างรูปแบบไบนารีนี้สำหรับแต่ละภาพมีดังนี้ ครั้งแรกของทั้งหมด เราสร้างรูปอื่น ด้วยตัวกรอง Sobel ที่เน้นขอบและแปล หลังจากนั้น เราใช้ตัวกรองผ่านต่ำกว่ารูปนี้ และค่าเป็น binarized ใช้เป็นขีดจำกัด สุดท้าย เราแยกโปรแกรมแปลกในแต่ละพิกเซลในรูปแบบไบนารี เอาที่นอนอยู่นอกรูป แต่ละโปรแกรมปรับปรุงคือตามปกติจะมีค่าเฉลี่ยเป็นศูนย์และผลต่างหน่วย กระบวนการทั้งหมดจะถูกแสดงใน Fig. 2 วิธีคล้ายถูกนำเสนอใน [26] การขยายปรับปรุงเฉพาะข้อมูล

ผลลัพธ์ (ไทย) 2:

การเลือกคุณลักษณะและการสกัดความหมายของคุณลักษณะท้องถิ่นทำงานร่วมกับภาพที่อาจรวมถึงความแปรปรวนมากของตัวเลือกเช่นเพียงแค่แตกต่างกันขนาดและรูปร่างของคุณลักษณะ แต่เราได้มีการพิจารณาเพียงหน้าต่างสี่เหลี่ยมขนาดกว้างง× เกี่ยวกับสถานที่ที่จะดึงแพทช์เหล่านี้กรณีที่ง่ายที่สุดคือการใช้ตารางตัวอย่างคงที่สำหรับภาพทั้งหมด อย่างไรก็ตามการเลือกนี้นำไปสู่​​การเรียนรู้ที่เรียกร้องคอมพิวเตอร์เนื่องจากการจำนวนมากของแพทช์ที่ได้รับ ดังนั้นเราจึงเสนอให้เลือกแพทช์ที่มีเนื้อหาข้อมูลสูงทิ้งผู้ที่เกี่ยวข้องพี (ความถูกต้อง | x [ผม]) มีแนวโน้มที่จะต่ำมาก (เช่นแพทช์เหมือนกัน) ตามขั้นตอนนี้ได้รับภาพที่เราจะต้องได้รับหน้ากากไบนารีซึ่งในแต่ละพิกเซลที่ใช้งานหมายถึงตำแหน่งศูนย์กลางของแพทช์ที่จะสกัด กระบวนการในการสร้างหน้ากากไบนารีนี้แต่ละภาพมีดังนี้ ครั้งแรกของทั้งหมดที่เราสร้างภาพที่มีตัวกรองโชเบลที่เน้นขอบและคำแปล หลังจากที่เราใช้ตัวกรองผ่านต่ำกว่าภาพนี้และค่าถูก binarized โดยใช้เก​​ณฑ์ สุดท้ายเราดึงแพทช์ศูนย์กลางในแต่ละพิกเซลใช้งานในหน้ากากไบนารีเอาผู้ที่อยู่นอกภาพ แพทช์แต่ละปกติท​​ี่จะมีศูนย์ค่าเฉลี่ยและหน่วยความแปรปรวน กระบวนการทั้งหมดจะถูกแสดงในรูป 2. วิธีการที่คล้ายกันคือเสนอใน [26] เพื่อดึงแพทช์ให้ข้อมูลเท่านั้น

ผลลัพธ์ (ไทย) 3:

การเลือกคุณลักษณะและการแยกความหมายของท้องถิ่น คุณลักษณะการทำงานกับภาพอาจรวมถึงความใหญ่ของตัวเลือกสำหรับอินสแตนซ์จะเปลี่ยนแปลงขนาดและรูปร่างของคุณสมบัติ แต่เราถือว่าพร้อม หน้าต่าง ขนาด W × W เกี่ยวกับสถานที่ที่แยกซอฟต์แวร์เหล่านี้ คดีที่ง่ายที่สุดคือการใช้คงที่ ตัวอย่างตารางสำหรับภาพทั้งหมด อย่างไรก็ตามการเลือกนี้จะนำไปสู่การเรียนรู้ computationally เรียกร้องเนื่องจากการขนาดใหญ่จำนวนของแพทช์ได้ ดังนั้นเราจึงเสนอให้เลือกแพทช์ที่มีปริมาณข้อมูลสูง ทิ้งผู้ที่เกี่ยวข้อง P ( ความถูกต้อง | x [ i ] ) น่าจะต่ำมาก เช่น เครื่องแบบแพทช์ ) ตามขั้นตอนนี้ให้ภาพเราต้องรับไบนารี หน้ากาก ซึ่งในแต่ละงานพิกเซลแสดงจุดศูนย์กลางของแพทช์ที่จะสกัด กระบวนการในการสร้างรูปแบบไบนารีสำหรับภาพแต่ละภาพ มีดังนี้ ครั้งแรกของทั้งหมด เราสร้างภาพอื่นด้วยลิงค์กรองซึ่งเน้นขอบและการแปล หลังจากนั้น เราใช้วงจรกรองความถี่ต่ำผ่าน ผ่านภาพและคุณค่า binarized โดยใช้เกณฑ์ ในที่สุดเราแยกซอฟต์แวร์ที่เป็นศูนย์กลางในแต่ละพิกเซลในรูปแบบไบนารีที่ใช้งาน เอาคนที่อยู่ภายนอกภาพ แต่ละแพทช์เป็นปกติที่จะมีศูนย์ค่าเฉลี่ยและความแปรปรวนหน่วย กระบวนการทั้งหมดจะแสดงในรูปที่ 2 วิธี ที่คล้ายกันที่นำเสนอใน [ 26 ] เพื่อสกัดซอฟต์แวร์ข้อมูล