Main paper;
Two novel real-time local visual features for omnidirectional vision
Huimin Lu *, Zhiqiang Zheng
Supporting papers;
Multiresolution gray-scale and rotation invariant texture classification with local binary patterns
http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1017623
Tuesday, October 23, 2012
Wednesday, June 13, 2012
BiCoS: A Bi-level Co-Segmentation Method for Image Classification
Abstract
The objective of this paper is the unsupervised segmenta- tion of image training sets into foreground and background in order to improve image classification performance. To this end we introduce a new scalable, alternation-based al- gorithm for co-segmentation, BiCoS, which is simpler than many of its predecessors, and yet has superior performance on standard benchmark image datasets.
We argue that the reason for this success is that the co- segmentation task is represented at the appropriate levels – pixels and color distributions for individual images, and super-pixels with learnable features at the level of sharing across the image set – together with powerful and efficient inference algorithms (GrabCut and SVM) for each level.
We assess both the segmentation and classification per- formance of the algorithm and compare to previous results on Oxford Flowers 17 & 102, Caltech-UCSD Birds-200, the Weizmann Horses, Caltech-4 benchmark datasets.
Summary
Papers นี้ต้องการที่จะพัฒนาวิธีการเกี่ยวกับการตัดภาพ foreground and/or background สำหรับภาพที่่มีรายละเอียดมาก โดยประโยชน์ของการหา foreground and background นั้นสามารถนำมาจัดหมวดหมู่ของสิ่งที่อยู่ในภาพได้เช่น สายพันธ์ของดอกไม้ หรือสายพันธ์ของนก
นอกจากนี้ยังใช้สอง algorithm ในการสร้าง image classification system คือ BiCoS และ BiCoS-MT โดยใช้ Grab Cut ในการเปรียบเทียบ โดยจากการทดลองของทั้งสอง algurithm นี้มาใช้เพื่อจำแนกตัว foreground ออกมาจากภาพ ผลปรากฏว่า BiCoS-MT มีประสิทธิภาพมากกว่า แต่ทั้งสองก็อาจจะมีโอกาสที่จะ mis-segmentation เหมือนกัน
ประสิทธิภาพเมื่อเปรียบเทียบกับ algurithm ตัวอื่นๆ
Credit by:
Yuning Chai Electrical Engineering Dept. ETH Zurich chaiy@ee.ethz.ch
The objective of this paper is the unsupervised segmenta- tion of image training sets into foreground and background in order to improve image classification performance. To this end we introduce a new scalable, alternation-based al- gorithm for co-segmentation, BiCoS, which is simpler than many of its predecessors, and yet has superior performance on standard benchmark image datasets.
We argue that the reason for this success is that the co- segmentation task is represented at the appropriate levels – pixels and color distributions for individual images, and super-pixels with learnable features at the level of sharing across the image set – together with powerful and efficient inference algorithms (GrabCut and SVM) for each level.
We assess both the segmentation and classification per- formance of the algorithm and compare to previous results on Oxford Flowers 17 & 102, Caltech-UCSD Birds-200, the Weizmann Horses, Caltech-4 benchmark datasets.
Summary
Papers นี้ต้องการที่จะพัฒนาวิธีการเกี่ยวกับการตัดภาพ foreground and/or background สำหรับภาพที่่มีรายละเอียดมาก โดยประโยชน์ของการหา foreground and background นั้นสามารถนำมาจัดหมวดหมู่ของสิ่งที่อยู่ในภาพได้เช่น สายพันธ์ของดอกไม้ หรือสายพันธ์ของนก
นอกจากนี้ยังใช้สอง algorithm ในการสร้าง image classification system คือ BiCoS และ BiCoS-MT โดยใช้ Grab Cut ในการเปรียบเทียบ โดยจากการทดลองของทั้งสอง algurithm นี้มาใช้เพื่อจำแนกตัว foreground ออกมาจากภาพ ผลปรากฏว่า BiCoS-MT มีประสิทธิภาพมากกว่า แต่ทั้งสองก็อาจจะมีโอกาสที่จะ mis-segmentation เหมือนกัน
ประสิทธิภาพเมื่อเปรียบเทียบกับ algurithm ตัวอื่นๆ
Methods
|
Seg. I
|
Seg. II
|
Rec.
|
All foreground
Joulin et al. CVPR’10 [19] GrabCut [30] BiCoS (this work) BiCoS-MT (this work) |
32.8
75.8 89.3 94.1 94.7 |
32.8
86.6 96.3 98.1 98.3 |
62.1
74.1 73.3 79.3 80.5 |
Credit by:
Yuning Chai Electrical Engineering Dept. ETH Zurich chaiy@ee.ethz.ch
Victor Lempitsky
Dept. of Engineering Science
University of Oxford
vilem@robots.ox.ac.uk
Andrew Zisserman
Dept. of Engineering Science
University of Oxford
az@robots.ox.ac.uk
Paper's link for review
Paper's link for review
Subscribe to:
Comments (Atom)