یکشنبه 1 مهر 1397 | Sunday 23 rd of September 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
3-5-4- نتایج و کار بعدی

اجرا و کارایی در حداقل سطحی از سیستم‌های مبنی بر بافت اثبات شد. انتخاب دستی قسمت‌ها لازم نیست و مدل فوق العاده کامل تغییرات در داخل کلاس، شرایط تصویری متفاوت و دیده نشدن قسمتی از شی را تحمل می کند. همکاری با متدولوژی یادگیری به طور جزئی نظارتی و یک افزایش پالایش پارامتر جدید به الگوریتم‌های تقویتی ایجاد شده است. سیستم یک عدد کوچک به طور مقایسه‌ای از تصاویر تعلیم را نیاز دارد‌، یک فاکتور هنگامی که به سوی اکتشاف صد‌ها یا هزاران کلاس‌های شی حرکت می کنیم ، مهم خواهد شد.

اشکارگر در یک مقیاس شی ویژه اموزش داده می شود و ارزیابی بیشتری از ان در رقابت و درگیری بیشتر محیط‌های چند مقیاسی و بر روی کلاس‌های بیشتر برنامه ریزی می شود. ترکیب خصوصیات بافت در چهارچوبه تقویت باید سر راست باشد.امیدواریم که با استفاده از متد A.Torralba et al[10] برای اکتشاف چند حالته تحقیق و اطلاعت مقدماتی را به دست اوریم. در پایان خروجی یک اشکارگر باید یک اغاز خوبی برای یک الگوریتم تقطیع پایین- بالا ارائه دهدC.Rother et al.[10] ‌.

شکل3-16-نتایج اکتشاف نمونه برای اسب‌ها ، صورت‌ها و ماشین‌ها . در هر یک ، ستون چپ تصویر وودی است ، ستون میانی نگاشت رده بندی است (سبز مثبت و قرمز منفی) و ستون راست تجسم فکری قطعه‌های کانتور استفاده شده برای اکتشاف‌ها است.

 

برای اسب‌ها، توجه کنید اجرای عالی را با وجود شلوغی و انسداد مصنوعی (دو تصویر اخر) . به طور ویژه اسب‌های به صورت نیم رخ سیاه نشان داده شده با مدل مبنی بر بافت به طور کامل شکست خواهد خورد.

برای صورت‌ها، به تحمل در برابر شلوغی ، سیما و قیافه و شرایط روشنایی و سایه روشن، انسداد و حتی اکتشاف روی یک کاریکاتور. برای ماشین‌ها به اکتشاف اشیای گوناگون و تحمل به انسداد توجه کنید.

  

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26