Large-Scale Scene Classification Using Gist Feature

最新推荐文章于 2022-01-07 00:20:29 发布
最新推荐文章于 2022-01-07 00:20:29 发布
阅读量1.6k 收藏 1
点赞数
分类专栏： 论文
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liu2012huan/article/details/53013891
版权
该博客探讨了使用GIST特征进行场景图片分类的方法，通过实验对比不同尺度、方向和feature map划分对分类准确性的影响。结果显示，增加方向和尺度能提高分类准确性，而过多划分feature map块可能降低准确性。论文中，作者采用了SVM和SVC作为分类器，并发现核SVM在准确性上更优，但SVC训练速度更快。
摘要由CSDN通过智能技术生成

1.论文介绍

使用GIST特征对于场景图片进行分类。对于分类器的选择，作者使用了基于 L2 正则， L2 损失的SVC方法，和基于核函数的SVM两种分类器。并在GIST特征的多尺度，多方向，不同划分图像块的三个方面进行了实验，结果表明带有核函数的SVM在提取GIST特征时使用18个方向，5个尺度，并使用4*4的划分卷积图像可以达到最好的分类结果。

2.方法介绍

2.1二维的Gabor 滤波器

对于二维的Gabor滤波器，可以使用如下的函数来近似
这里写图片描述

最低0.47元/天 解锁文章
LIUHUANUCAS
关注
专栏目录
计算机视觉、机器学习相关领域论文和源代码集合
松子茶的专栏
01-18 3015
偶尔在网上看到此篇文章，收集CV、ML相关领域论文和源代码集合不错，转载过来共勉。 特征提取Feature Extraction ·         SIFT [1] [Demo program][SIFT Library] [VLFeat] ·         PCA-SIFT [2] [Project] ·         Affine-SIFT [3] [Pr
【更新】Jia-Bin Huang收集的计算机视觉代码库
三少GG
06-17 1万+
维护地址为： https://sites.google.com/site/jbhuang0604/resources/vision 内容详实，作为入门领域的参考非常有用！             label topic type resource_url:url reference
python-img_gist_feature：实现从图像中提取Gist特征（Matlab LMGist）
02-16
1 Gist功能是什么？ Gist特征是什么？ （1）具有宏观意义的图像场景的特征描述。一种宏观意义的场景特征描述 （2）只检测场景-“街上有人”。 不在乎有多少人和其他人。只识别“大街上有一些行人”这个场景，无需知道图像中在那些位置有多少人，或者有其他什么对象。 （3）要点向量可以代表图像的宏观含义。特征向量可以一定程度表征这种宏观场景特征 GIST有五个空间信封名称。 GIST中有五种对空间包络的描述方法 空间信封名称空间包络名 说明阐释 自然度 如果场景包含高水平的水平线和垂直线，则表明场景具有明显的人工痕迹，通常自然场景具有纹理区域和起伏的轮廓。 因此，边缘具有高度垂直于水平线的自然趋势，并且自然度高。场景，包含高度的水平和垂直线，这表明该场景有明显的人工痕迹，通常自然景象具有纹理区域和起伏的轮廓。所以，边缘具有高度垂直于水平高度的自然度低，反之自然度高。 开放度 打开还是关
GIST特征描述符使用
weixin_34228387的博客
12-06 1111
一种场景特征描述 场景特征描述？ 通常的特征描述符都是对图片的局部特征进行描述的，以这种思路进行场景描述是不可行的。 比如：对于“大街上有一些行人”这个场景，我们必须通过局部特征辨认图像是否有大街、行人等对象，再断定这是否是满足该场景。但这个计算量无疑是巨大的，且特征向量也可能大得无法在内存中存储计算。 例如即使使用GIST进行1MB的图像数据搜索，也需要3.8GB的RAM空间。 ...
gist feature
OpenCV中文网
03-06 1822
提取gist纹理特征提取代码 Here are some resources: Gist classifier: Page on Cornell Lear's Gist: LEAR - Software Matlab: Spatial envelope
GIST 空间包络特征 推荐论文 简介
心之所向
12-27 1万+
GIST概念最初源自1979年Friedman A的论文，后于2001年被Oliva等人借用来代指空间包络特征，随后就是2003年由Torralba等人的继续研究。如果要了解的GIST的话，推荐看以下论文： GIST的概念起源：Framing pictures: the role of knowledge in automatized encoding and memory for gist
Feature系列－GIST
AdrianHust的专栏
02-25 5323
原文地址：Feature系列－GIST作者：lowrank http://ilab.usc.edu/siagian/Research/Gist/Gist.html   Gist/Context of a Scene We describe and validate a simple context-based scene recognition algorithm using a
CVPR2014年录用论文
u010545732的专栏
03-07 1万+
Preliminary List of Accepted Papers Authors, please contact the Web Chairs with any needed updates. Accepted Orals Reconstructing Storyline Gr
ECCV 2012 List of accepted papers
热门推荐
xdyang的图像视觉小屋
07-04 2万+
Oral presentation  oral出来了，只有40篇文章，录取率只有大概2.3%。先Mark一下，等出来后选感兴趣的看几篇 Paper id Paper title Author names 13 Diverse M-Best Solutions in Markov Random Fields Dhruv Batra*, Toyota Techno
SceneClassification：使用各种深度学习模型对世界各地的场景进行分类
02-16
场景分类 该项目主要涉及图像分类。 这里的目标是使用深度神经网络将全球场景分类为六种可能的类别之一。 场景分类的应用范围可以从在智能手机中组织照片，通过旅游业规划促进国家经济增长等方面。 数据集是Kaggle提供的英特尔图像分类。 （ ）总共有25,000张图像，其中17,000张被标记为6类，包括建筑物，森林，冰川，山脉，海洋和街道。 使用训练集中的图像对模型进行训练，并预测预测集中的图像类别。 本项目对自训练模型和预训练模型进行了实验，并对所有模型的性能进行了比较和分析。 有关如何运行代码的说明：---- data_prep.py-此文件允许我们加载数据。 vgg16.py vgg19.py res.py inception.py inceptionRes.py-这五个文件使用经过预训练的网络，而不会进行数据扩充。 aug_plots.py-此文件绘制所选图片的增强方式。
Scene Classification 场景分类-数据集
03-18
该数据集包含来自世界各地自然场景的约25k张图像。任务是确定可以将图像分类为哪种场景。 test_WyRytb0.csv train.csv Scene Classification_datasets.txt Scene Classification_datasets.zip
MNIST数据集的gist特征提取
01-21
这些天处理图像检索的一些benchmark数据集，今天处理了MNIST数据集，并对其进行了特征的提取。我的方法可能不一定是最优，但是按照这样的步骤来做，得到了我最后想要的特征数据结果。需要的朋友可以参考下。最后的生成文件太大，因此放在http://pan.baidu.com/s/1gdQP3Ab。
机器学习——gist特征
图南zzz
01-07 5629
gist特征 gist特征是一个全局特征信息，借助Gabor滤波，在m个尺度，n个方向上进行卷积，得到mn个特征来描述图像 14.1 图像中的傅里叶变换 傅里叶变换可以看作是棱镜，能够将函数基于频率分解为不同的成分 表征图像描述属性 频率f 类似于亮度 幅值A 类似于对比度，图像中最亮和最暗的峰值之间的差 相位γ 原始波形，表示三角函数的偏移量 傅里叶变换编码 就是一系列的正弦函数编码，频率从0到最高对图像中的所有频率进行编码 一个只包含一个频率f1的信号在频谱上横坐标f为f
Large Scale Image Classification
This is bill的专属博客
10-15 620
Large Scale Image Classification Training a neural network with a large number of images presents several challenges. Even with the latest GPUs, it is not possible to train large networks using a lar...
Large-scale Video Classification with Convolutional Neural Networks
qq_35912099的博客
08-10 736
Abstract: 1、使用一个新的100万数据集Sports-1M dataset，对cnn在大规模视频分类方面进行了广泛的经验评估 2、利用空间信息、局部时空信息、提出多分辨率框架 Related work: 传统方法 1、利用传统特征提取算法提取low-level feature 2、利用FV、BOW等进行编码 向量 3、利用SVM等进行分类.、或者和卷积特征进行融合堆叠 Models: Fusion结构-实际为堆叠 single frame - 静态特征 Late Fusio
MXNet应用之一：Large Scale Image Classification
u012991166的博客
07-27 548
Tutorial地址： 一、MXNet简介 1.概述（摘自开源中国社区）     MXNet（轻量级机器学习库） 是一款设计为效率和灵活性的深度学习框架。它允许你混合符号编程和命令式编程，从而最大限度提高效率和生产力。在其核心是一个动态的依赖调度，它能够自动并行符号和命令的操作。 有一个图形优化层，使得符号执行速度快，内存使用高效。这个库便携，轻量，而且能够扩展到多个 GPU 和多台
【阅读笔记】ScanComplete: Large-Scale Scene Completion and Semantic Segmentation for 3D Scans
h1063135843的博客
08-22 1017
任务描述 对不完整的扫描场景进行补全，同时进行语义分割。 动机 由于遮挡和传感器测距限制，扫描时只能获取部分、不完整的场景。传统方法（泊松重建等）主要通过拟合或者连续能量函数优化的方式填补小空洞，而对大范围的缺失（如墙体，椅子的脚）则无能为力。大范围的缺失处理方案主要有考虑物体对称性，结构化重建以及CAD模型回溯的方法。 然后就是基于深度学习的方法了，目前的学习方法只能处理固定大小的场景，因此都是针对单帧或者是物体的补全。本文就主要解决大场景的补全问题。为此选择了使用全卷积网络（FCN,full
Very Deep Convolutional Networks for Large-Scale Image Recognition" by Karen Simonyan and Andrew Zisserman (2014)
最新发布
05-12
"Very Deep Convolutional Networks for Large-Scale Image Recognition" is a research paper by Karen Simonyan and Andrew Zisserman, which was published in 2014. The paper introduces the architecture of ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值