خانه راهنمای خرید پیگیری سفارش پشتیبانی درباره ما تماس با ما
محصولات مرتبط
دانلود قالب پاورپوینت مهندسی کامپیوتر Computer PowerPoint
دانلود قالب پاورپوینت مهندسی کامپیوتر Computer PowerPoint
قیمت : 10,500 تومان
دانلود حل المسائل مهندسی نرم افزار یان سامرویل Ian Sommerville
دانلود حل المسائل مهندسی نرم افزار یان سامرویل Ian Sommerville
قیمت : 50,000 تومان
مقاله بررسی چارچوب های یادگیری عمیق مقیاس پذیر
مقاله بررسی چارچوب های یادگیری عمیق مقیاس پذیر
قیمت : 15,750 تومان
مقاله مروری بر معماری یادگیری عمیق برای تصویربرداری مغز مبتنی بر EEG
مقاله مروری بر معماری یادگیری عمیق برای تصویربرداری مغز مبتنی بر EEG
قیمت : 15,750 تومان

مقاله طبقه‌بندی تصویر خوب مغز از طریق کدگذاری پراکنده با رتبه پایین

مقاله طبقه‌بندی تصویر خوب مغز از طریق کدگذاری پراکنده با رتبه پایین

عنوان مقاله فارسی: طبقه‌بندی تصویر خوب مغز از طریق کدگذاری پراکنده با رتبه پایین با کده‌ای عمومی و کلاس خاص

عنوان مقاله لاتین: Fine-Grained Image Classification via Low-Rank Sparse Coding With General and Class-Specific Codebooks

نویسندگان: Chunjie Zhang; Chao Liang; Liang Li; Jing Liu; Qingming Huang; Qi Tian

تعداد صفحات: 9

سال انتشار: 2017

زبان: لاتین



Abstract:

This paper tries to separate fine-grained images by jointly learning the encoding parameters and codebooks through low-rank sparse coding (LRSC) with general and class-specific codebook generation. Instead of treating each local feature independently, we encode the local features within a spatial region jointly by LRSC. This ensures that the spatially nearby local features with similar visual characters are encoded by correlated parameters. In this way, we can make the encoded parameters more consistent for fine-grained image representation. Besides, we also learn a general codebook and a number of class-specific codebooks in combination with the encoding scheme. Since images of fine-grained classes are visually similar, the difference is relatively small between the general codebook and each class-specific codebook. We impose sparsity constraints to model this relationship. Moreover, the incoherences with different codebooks and class-specific codebooks are jointly considered. We evaluate the proposed method on several public image data sets. The experimental results show that by learning general and class-specific codebooks with the joint encoding of local features, we are able to model the differences among different fine-grained classes than many other fine-grained image classification methods.

فایل هایی که پس از خرید می توانید دانلود نمائید

fine grained image classification via low rank sparse coding with general and class specific codebooks_1623488219_49029_4145_1077.zip1.52 MB
پرداخت و دانلود محصول
بررسی اعتبار کد دریافت کد تخفیف
مبلغ قابل پرداخت : 15,750 تومان پرداخت از طریق درگاه
انتقال به صفحه پرداخت