video-bioinformatics-analysis-human-embryonic-stem-cell-colony

Video Bioinformatics Analysis of Human Embryonic Stem Cell Colony Growth

Because video data are complex and are comprised of many images, mining information from video material is difficult to do without the aid of computer ...

University of California

&#x5F53;&#x524D;&#x79FB;&#x52A8;&#x5BF9;&#x8C61;&#x68C0;&#x6D4B;&#x7CFB;&#x7EDF;&#x901A;&#x5E38;&#x68C0;&#x6D4B;&#x7684;&#x79FB;&#x52A8;&#x5BF9;&#x8C61;&#x79FB;&#x52A8;&#x5BF9;&#x8C61;&#x7684;&#x4E00;&#x90E8;&#x5206;&#x7684;&#x9634;&#x5F71;&#x3002;&#x5728;&#x672C;&#x767D;&#x76AE;&#x4E66;&#x4E2D;&#x7684;&#x5206;&#x79BB;&#x5728;&#x6237;&#x5916;&#x73AF;&#x5883;&#x4E2D;&#x7684;&#x79FB;&#x52A8;&#x5BF9;&#x8C61;&#x7684;&#x79FB;&#x52A8;&#x6295;&#x5F71;&#x88AB;&#x89E3;&#x51B3;&#x3002;&#x4E0D;&#x540C;&#x4E8E;&#x4EE5;&#x5F80;&#x7684;&#x5DE5;&#x4F5C;&#xFF0C;&#x6211;&#x4EEC;&#x76EE;&#x524D;&#x5E76;&#x4E0D;&#x4F9D;&#x8D56;&#x4EFB;&#x4F55;&#x51E0;&#x4F55;&#x7684;&#x5047;&#x8BBE;&#xFF0C;&#x5982;&#x76F8;&#x673A;&#x4F4D;&#x7F6E;&#x548C;&#x5730;&#x9762;&#x8868;&#x9762;/&#x5BF9;&#x8C61;&#x51E0;&#x4F55;&#x7684;&#x65B9;&#x6CD5;&#x3002;&#x57FA;&#x4E8E;&#x65B0;&#x7684;&#x65F6;&#x7A7A;&#x53CD;&#x7167;&#x7387;&#x6D4B;&#x8BD5;&#x548C;&#x53CC;&#x8272;&#x53CD;&#x5C04;&#x6A21;&#x578B;&#x548C;&#x592A;&#x9633;&#x548C;&#x5929;&#x7A7A;&#x706F;&#x9970;&#x5E10;&#x6237;&#x3002;&#x7ED3;&#x679C;&#x4E3A;&#x4EE3;&#x8868;&#x7684;&#x5404;&#x79CD;&#x5730;&#x9762;&#x6750;&#x6599;&#x65F6;&#x4E0D;&#x540C;&#x7684;&#x66F2;&#x9762;&#x7C7B;&#x578B;&#x4E0A;&#x6295;&#x5C04;&#x9634;&#x5F71;&#x7684;&#x51E0;&#x4E2A;&#x89C6;&#x9891;&#x5E8F;&#x5217;&#x3002;&#x8FD9;&#x4E9B;&#x7ED3;&#x679C;&#x8868;&#x660E;&#x6211;&#x4EEC;&#x7684;&#x505A;&#x6CD5;&#x662F;&#x5F3A;&#x5065;&#x5230;&#x5E7F;&#x6CDB;&#x4E0D;&#x540C;&#x7684;&#x524D;&#x666F;&#x8272;&#x548C;&#x80CC;&#x666F;&#x6750;&#x6599;&#x548C;&#x542F;&#x793A;&#x3002;

&#x5728;&#x89C6;&#x9891;&#x4E2D;&#x7684;&#x8FD0;&#x52A8;&#x9634;&#x5F71;&#x548C;&#x5BF9;&#x8C61;&#x68C0;&#x6D4B;&#x7684;&#x7269;&#x7406;&#x6A21;&#x578B;&#x3002;

Current moving object detection systems typically detect shadows cast by the moving object as part of the moving object. In this paper, the problem of separating moving cast shadows from the moving objects in an outdoor environment is addressed. Unlike previous work, we present an approach that does not rely on any geometrical assumptions such as camera location and ground surface/object geometry. The approach is based on a new spatio-temporal albedo test and dichromatic reflection model and accounts for both the sun and the sky illuminations. Results are presented for several video sequences representing a variety of ground materials when the shadows are cast on different surface types. These results show that our approach is robust to widely different background and foreground materials, and illuminations.

Physical models for moving shadow and object detection in video.

Syst&egrave;mes de d&eacute;tection d&#39;objet mobile actuel d&eacute;tectent g&eacute;n&eacute;ralement ombres projet&eacute;es par l&#39;objet en mouvement dans le cadre de l&#39;objet en mouvement. Dans cet article, le probl&egrave;me consistant &agrave; s&eacute;parer les ombres mobiles depuis les objets en mouvement dans un environnement ext&eacute;rieur est adress&eacute;. Contrairement aux travaux pr&eacute;c&eacute;dents, nous pr&eacute;sentons une approche qui ne repose pas sur des hypoth&egrave;ses g&eacute;om&eacute;triques tels que la g&eacute;om&eacute;trie de cam&eacute;ra emplacement et de la terre de surface/objet. L&#39;approche est bas&eacute;e sur un nouveau test d&#39;alb&eacute;do spatio-temporelle et mod&egrave;le de r&eacute;flexion dichromatique et repr&eacute;sente le soleil et les illuminations du ciel. Les r&eacute;sultats sont pr&eacute;sent&eacute;s pour plusieurs s&eacute;quences vid&eacute;o repr&eacute;sentant une vari&eacute;t&eacute; de mat&eacute;riaux au sol lorsque les ombres sont projet&eacute;es sur les diff&eacute;rents types de surfaces. Ces r&eacute;sultats montrent que notre approche est robuste &agrave; largement diff&eacute;rents mat&eacute;riaux d&#39;arri&egrave;re-plan et de premier plan et d&#39;enluminures.

Mod&egrave;les physiques pour aller de l&#39;ombre et l&#39;objet de d&eacute;tection en vid&eacute;o.

Physikalische Modelle f&#xFC;r bewegte Schatten und Objekterkennung in Videos.

Attuali sistemi di rilevamento oggetto commovente in genere rilevano ombre proiettate dall&#39;oggetto in movimento come parte dell&#39;oggetto commovente. In questa carta, &egrave; affrontato il problema della separazione ombre mobili da oggetti in movimento in un ambiente all&#39;aperto. A differenza dei precedenti lavori, vi presentiamo un approccio che non si basano su ipotesi geometriche come la geometria di superficie/oggetto posizione e terreno fotocamera. L&#39;approccio &egrave; basato su un nuovo test di spazio-temporale albedo e modello di riflessione bicromi e conti sia per il sole e le luminarie di cielo. Risultati sono presentati per le diverse sequenze video che rappresenta una variet&agrave; di materiali di terra quando le ombre sono espressi su diversi tipi di superficie. Questi risultati dimostrano che il nostro approccio &egrave; robusto ampiamente differenti materiali di sfondo e primo piano, e luminarie.

Modelli fisici per la rilevazione di ombra e oggetto in movimento nel video.

&#x73FE;&#x5728;&#x79FB;&#x52D5;&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x691C;&#x51FA;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x306F;&#x3001;&#x901A;&#x5E38;&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x306E;&#x79FB;&#x52D5;&#x306E;&#x4E00;&#x74B0;&#x3068;&#x3057;&#x3066;&#x306B;&#x3088;&#x308B;&#x79FB;&#x52D5;&#x7269;&#x4F53;&#x306E;&#x5F71;&#x3092;&#x691C;&#x51FA;&#x3057;&#x307E;&#x3059;&#x3002;&#x672C;&#x7A3F;&#x3067;&#x306F;, &#x79FB;&#x52D5;&#x30AD;&#x30E3;&#x30B9;&#x30C8; &#x30B7;&#x30E3;&#x30C9;&#x30A6;&#x5C4B;&#x5916;&#x74B0;&#x5883;&#x306B;&#x304A;&#x3051;&#x308B;&#x79FB;&#x52D5;&#x7269;&#x4F53;&#x304B;&#x3089;&#x5206;&#x96E2;&#x306E;&#x554F;&#x984C;&#x306B;&#x5BFE;&#x51E6;&#x3057;&#x307E;&#x3059;&#x3002;&#x4EE5;&#x524D;&#x306E;&#x4ED5;&#x4E8B;&#x3068;&#x306F;&#x7570;&#x306A;&#x308A;&#x3001;&#x30AB;&#x30E1;&#x30E9;&#x306E;&#x4F4D;&#x7F6E;&#x3068;&#x5730;&#x9762;&#x306E;&#x8868;&#x9762;/&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x306E;&#x30B8;&#x30AA;&#x30E1;&#x30C8;&#x30EA;&#x306A;&#x3069;&#x5E7E;&#x4F55;&#x5B66;&#x7684;&#x306A;&#x4EEE;&#x5B9A;&#x306B;&#x4F9D;&#x5B58;&#x3057;&#x306A;&#x3044;&#x624B;&#x6CD5;&#x3092;&#x63D0;&#x6848;&#x3057;&#x307E;&#x3059;&#x3002;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306F;&#x65B0;&#x3057;&#x3044;&#x6642;&#x7A7A;&#x30A2;&#x30EB;&#x30D9;&#x30C9; &#x30C6;&#x30B9;&#x30C8;&#x3068;&#x4E8C;&#x8272;&#x6027;&#x53CD;&#x5C04;&#x30E2;&#x30C7;&#x30EB;&#x3068;&#x592A;&#x967D;&#x3068;&#x7A7A;&#x306E;&#x30A4;&#x30EB;&#x30DF;&#x30CD;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x4E21;&#x65B9;&#x306E;&#x30A2;&#x30AB;&#x30A6;&#x30F3;&#x30C8;&#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x7D50;&#x679C;&#x306F;&#x3001;&#x5F71;&#x306B;&#x8868;&#x9762;&#x306E;&#x7A2E;&#x985E;&#x306B;&#x30AD;&#x30E3;&#x30B9;&#x30C8;&#x3059;&#x308B;&#x3068;&#x304D;&#x5730;&#x76E4;&#x6750;&#x6599;&#x306E;&#x69D8;&#x3005; &#x306A;&#x3092;&#x8868;&#x3059;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x30D3;&#x30C7;&#x30AA; &#x30B7;&#x30FC;&#x30B1;&#x30F3;&#x30B9;&#x304C;&#x63D0;&#x793A;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x7D50;&#x679C;&#x306F;&#x6211;&#x3005; &#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x304C;&#x5E83;&#x304F;&#x7570;&#x306A;&#x308B;&#x80CC;&#x666F;&#x3068;&#x524D;&#x666F;&#x306E;&#x6750;&#x6599;&#x3084;&#x30A4;&#x30EB;&#x30DF;&#x30CD;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306B;&#x30ED;&#x30D0;&#x30B9;&#x30C8;&#x3067;&#x3042;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;

&#x30D3;&#x30C7;&#x30AA;&#x3067;&#x306F;&#x79FB;&#x52D5;&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x3068;&#x5F71;&#x306E;&#x691C;&#x51FA;&#x306E;&#x305F;&#x3081;&#x306E;&#x7269;&#x7406;&#x7684;&#x306A;&#x30E2;&#x30C7;&#x30EB;&#x3002;

&#xD604;&#xC7AC; &#xC774;&#xB3D9; &#xAC1C;&#xCCB4;&#xAC00; &#xAC10;&#xC9C0; &#xC2DC;&#xC2A4;&#xD15C;&#xC740; &#xC77C;&#xBC18;&#xC801;&#xC73C;&#xB85C; &#xADF8;&#xB9BC;&#xC790; &#xC774;&#xB3D9; &#xAC1C;&#xCCB4;&#xC758; &#xC77C;&#xD658;&#xC73C;&#xB85C; &#xC6C0;&#xC9C1;&#xC774;&#xB294; &#xAC1C;&#xCCB4;&#xB85C; &#xCE90;&#xC2A4;&#xD305; &#xAC10;&#xC9C0;. &#xC774; &#xB17C;&#xBB38;&#xC5D0;&#xC11C;&#xB294; &#xC57C;&#xC678; &#xD658;&#xACBD;&#xC5D0;&#xC11C; &#xC6C0;&#xC9C1;&#xC774;&#xB294; &#xBB3C;&#xCCB4;&#xC5D0;&#xC11C; &#xC6C0;&#xC9C1;&#xC774;&#xB294; &#xADF8;&#xB9BC;&#xC790;&#xB97C; &#xBD84;&#xB9AC; &#xD558;&#xB294; &#xBB38;&#xC81C;&#xB294; &#xD574;&#xACB0; &#xB429;&#xB2C8;&#xB2E4;. &#xC774;&#xC804; &#xC791;&#xC5C5; &#xB2EC;&#xB9AC; &#xCE74;&#xBA54;&#xB77C; &#xC704;&#xCE58;&#xC640; &#xC9C0;&#xC0C1; &#xD45C;&#xBA74;/&#xAC1C;&#xCCB4; &#xD615;&#xC0C1; &#xB4F1; &#xAE30;&#xD558;&#xD559;&#xC801; &#xAC00;&#xC815;&#xC5D0; &#xC758;&#xC874; &#xD558;&#xC9C0; &#xC54A;&#xB294; &#xBC29;&#xBC95;&#xC744; &#xC18C;&#xAC1C; &#xD569;&#xB2C8;&#xB2E4;. &#xC811;&#xADFC; &#xC0C8;&#xB85C;&#xC6B4; spatio &#xC2DC;&#xAC04;&#xC801; &#xBC18;&#xC0AC;&#xC728; &#xD14C;&#xC2A4;&#xD2B8; &#xBC0F; &#xC7A5;&#xC5D0;&#xC11C; &#xBC18;&#xC0AC; &#xBAA8;&#xB378; &#xBC0F; &#xD0DC;&#xC591; &#xBC0F; &#xD558;&#xB298; &#xC77C; &#xB8E8;&#xBBF8; &#xB124;&#xC774;&#xC158;&#xC5D0; &#xB300; &#xD55C; &#xACC4;&#xC815;&#xC744; &#xAE30;&#xBC18;&#xC73C;&#xB85C; &#xD569;&#xB2C8;&#xB2E4;. &#xADF8;&#xB9BC;&#xC790;&#xB294; &#xD45C;&#xBA74; &#xC885;&#xB958;&#xC5D0; &#xCE90;&#xC2A4;&#xD305; &#xB420; &#xB54C; &#xC811;&#xC9C0; &#xC7AC;&#xB8CC;&#xC758; &#xB2E4;&#xC591; &#xD55C; &#xB098;&#xD0C0;&#xB0B4;&#xB294; &#xC5EC;&#xB7EC; &#xBE44;&#xB514;&#xC624; &#xC2DC;&#xD000;&#xC2A4;&#xC5D0; &#xB300; &#xD55C; &#xACB0;&#xACFC;&#xAC00; &#xD45C;&#xC2DC; &#xB429;&#xB2C8;&#xB2E4;. &#xC774;&#xB7EC;&#xD55C; &#xACB0;&#xACFC; &#xC6B0;&#xB9AC;&#xC758; &#xBC29;&#xBC95;&#xC740; &#xAC15;&#xB825;&#xD55C; &#xAD11;&#xBC94;&#xC704; &#xD558; &#xAC8C; &#xC11C;&#xB85C; &#xB2E4;&#xB978; &#xBC30;&#xACBD;&#xACFC; &#xC804;&#xACBD; &#xC7AC;&#xB8CC; &#xBC0F; &#xC77C; &#xB8E8;&#xBBF8; &#xB124;&#xC774;&#xC158;&#xC744; &#xBCF4;&#xC5EC;&#xC900;&#xB2E4;.

&#xBE44;&#xB514;&#xC624;&#xC5D0;&#xC11C; &#xADF8;&#xB9BC;&#xC790; &#xBC0F; &#xAC1C;&#xCCB4; &#xAC80;&#xC0C9;&#xC744; &#xC774;&#xB3D9; &#xD558;&#xAE30; &#xC704;&#xD55C; &#xBB3C;&#xB9AC;&#xC801; &#xBAA8;&#xB378;.

Sistemas de detecci&oacute;n de objetos m&oacute;viles actuales suelen detectan sombras por el objeto en movimiento como parte del objeto en movimiento. En este trabajo se aborda el problema de la separaci&oacute;n de m&oacute;viles reparto de sombras de los objetos que se mueven en un entorno al aire libre. A diferencia de trabajos anteriores, presentamos un enfoque que no conf&iacute;a en ninguna suposici&oacute;n geom&eacute;trica como geometr&iacute;a de superficie/objeto de ubicaci&oacute;n y terreno de c&aacute;mara. El enfoque se basa en una nueva prueba de albedo espacio-temporal y modelo de reflexi&oacute;n dicrom&aacute;tica y cuentas para el sol y las iluminaciones del cielo. Se presentan los resultados de varias secuencias de video, representando una variedad de materiales de la tierra cuando las sombras se echan sobre diferentes tipos de superficies. Estos resultados demuestran que nuestro enfoque es robusto y ampliamente diversos materiales de fondo y primer plano, iluminaciones.

Modelos f&iacute;sicos para detecci&oacute;n de sombra y objeto en movimiento en video.

&#x5728;&#x6B64;&#x6587;&#x4EF6;&#x4E2D;&#xFF0C;&#x63D0;&#x51FA;&#x4E00;&#x4E2A;&#x65B0;&#x578B;&#x57FA;&#x56E0;&#x542F;&#x53D1;&#x89C6;&#x89C9;&#x5B66;&#x4E60;&#x65B9;&#x6CD5;&#x3002;&#x9274;&#x4E8E;&#x57F9;&#x8BAD;&#x5149;&#x6805;&#x56FE;&#x50CF;&#xFF0C;&#x8FD9;&#x79CD;&#x4E00;&#x822C;&#x7684;&#x65B9;&#x6CD5;&#x8BF1;&#x4F7F;&#x4E00;&#x4E2A;&#x5B8C;&#x5584;&#x7684;&#x57FA;&#x4E8E;&#x7279;&#x5F81;&#x7684;&#x8BC6;&#x522B;&#x7CFB;&#x7EDF;&#x3002;&#x5B83;&#x91C7;&#x7528;&#x8303;&#x5F0F;&#x7684;&#x534F;&#x540C;&#x8FDB;&#x5316;&#x6765;&#x5904;&#x7406;&#x6B64;&#x4EFB;&#x52A1;&#x7684;&#x8BA1;&#x7B97;&#x7684;&#x96BE;&#x5EA6;&#x3002;&#x82E5;&#x8981;&#x8868;&#x793A;&#x529F;&#x80FD;&#x63D0;&#x53D6;&#x5242;&#xFF0C;&#x7528;&#x4E8E;&#x9057;&#x4F20;&#x7EBF;&#x6027;&#x89C4;&#x5212;&#x3002;&#x6587;&#x4EF6;&#x63CF;&#x8FF0;&#x7684;&#x5B66;&#x4E60;&#x7B97;&#x6CD5;&#xFF0C;&#x5E76;&#x4E3A;&#x5176;&#x8BBE;&#x8BA1;&#x63D0;&#x4F9B;&#x4E86;&#x575A;&#x5B9E;&#x7684;&#x7406;&#x8BBA;&#x57FA;&#x7840;&#x3002;&#x4E0D;&#x540C;&#x7684;&#x8BC6;&#x522B;&#x7CFB;&#x7EDF;&#x4F53;&#x7CFB;&#x7ED3;&#x6784;&#x88AB;&#x8BA4;&#x4E3A;&#xFF0C;&#x96C7;&#x7528;&#x7684;&#x62DF;&#x8BAE;&#x7684;&#x529F;&#x80FD;&#x5408;&#x6210;&#x65B9;&#x6CD5;&#x3002;&#x8981;&#x6C42;&#x82DB;&#x523B;&#x7684;&#x73B0;&#x5B9E;&#x4E16;&#x754C;&#x4EFB;&#x52A1;&#x7684;&#x5408;&#x6210;&#x5B54;&#x5F84;&#x96F7;&#x8FBE; (SAR) &#x56FE;&#x50CF;&#x4E2D;&#x7684;&#x5BF9;&#x8C61;&#x8BC6;&#x522B;&#x5E7F;&#x6CDB;&#x5B9E;&#x9A8C;&#x8BC4;&#x4EF7;&#x663E;&#x793A;&#x62DF;&#x8BAE;&#x7684;&#x529E;&#x6CD5;&#x80FD;&#x591F;&#x5B9E;&#x73B0;&#x5728;&#x4E0D;&#x540C;&#x64CD;&#x4F5C;&#x6761;&#x4EF6;&#x9AD8;&#x7684;&#x8BC6;&#x522B;&#x6027;&#x80FD;&#x3002;

&#x7531;&#x8FDB;&#x5316;&#x529F;&#x80FD;&#x5408;&#x6210;&#x7684;&#x89C6;&#x89C9;&#x5B66;&#x4E60;&#x3002;

In this paper, a novel genetically inspired visual learning method is proposed. Given the training raster images, this general approach induces a sophisticated feature-based recognition system. It employs the paradigm of cooperative coevolution to handle the computational difficulty of this task. To represent the feature extraction agents, the linear genetic programming is used. The paper describes the learning algorithm and provides a firm rationale for its design. Different architectures of recognition systems are considered that employ the proposed feature synthesis method. An extensive experimental evaluation on the demanding real-world task of object recognition in synthetic aperture radar (SAR) imagery shows the ability of the proposed approach to attain high recognition performance in different operating conditions.

Visual learning by coevolutionary feature synthesis.

Dans cet article, une nouvelle m&eacute;thode d&#39;apprentissage visuel inspir&eacute; g&eacute;n&eacute;tiquement est propos&eacute;e. &Eacute;tant donn&eacute; les images raster de formation, cette approche g&eacute;n&eacute;rale induit un syst&egrave;me sophistiqu&eacute; de reconnaissance ax&eacute;e sur la fonctionnalit&eacute;. Il emploie le paradigme de la co&eacute;volution coop&eacute;rative &agrave; g&eacute;rer la difficult&eacute; de calcul de cette t&acirc;che. Pour repr&eacute;senter les agents d&#39;extraction de caract&eacute;ristique, la programmation g&eacute;n&eacute;tique lin&eacute;aire est utilis&eacute;e. L&#39;article d&eacute;crit l&#39;algorithme d&#39;apprentissage et fournit une justification solide pour son design. Diff&eacute;rentes architectures de syst&egrave;mes de reconnaissance sont consid&eacute;r&eacute;s qui emploient la m&eacute;thode de synth&egrave;se de fonctionnalit&eacute; propos&eacute;e. Une vaste &eacute;valuation exp&eacute;rimentale sur la t&acirc;che exigeante du monde r&eacute;el de reconnaissance d&#39;objet dans l&#39;imagerie synthetic aperture radar (SAR) montre la capacit&eacute; de l&#39;approche propos&eacute;e pour atteindre une performance haute reconnaissance dans diff&eacute;rentes conditions de fonctionnement.

Apprentissage visuel de synth&egrave;se de la fonctionnalit&eacute; co&eacute;volutive.

Visuelles Lernen durch koevolution&#xE4;ren Feature-Synthese.

In questa carta, &egrave; proposto un metodo di apprendimento visivo geneticamente ispirato romanzo. Dato le immagini raster di formazione, questo approccio generale induce un sistema di riconoscimento basato su funzionalit&agrave; sofisticate. Impiega il paradigma di coevoluzione cooperativa per gestire la difficolt&agrave; computazionale di questo compito. Per rappresentare gli agenti di estrazione caratteristica, viene utilizzata la programmazione genetica lineare. Il libro descrive l&#39;algoritmo di apprendimento e fornisce una solida logica per il suo design. Diverse architetture di sistemi di riconoscimento sono considerate che impiegano il metodo di sintesi funzione di proposta. Una vasta valutazione sperimentale sull&#39;impegnativo compito di mondo reale di riconoscimento oggetto immaginario di synthetic aperture radar (SAR) dimostra la capacit&agrave; dell&#39;approccio proposto per raggiungere prestazioni di alto riconoscimento in diverse condizioni operative.

Apprendimento visivo di sintesi coevolutionary caratteristica.

&#x672C;&#x7A3F;&#x3067;&#x306F;, &#x907A;&#x4F1D;&#x7684;&#x30A4;&#x30F3;&#x30B9;&#x30D4;&#x30EC;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x8996;&#x899A;&#x7684;&#x306A;&#x5B66;&#x7FD2;&#x6CD5;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x30C8;&#x30EC;&#x30FC;&#x30CB;&#x30F3;&#x30B0;&#x306E;&#x30E9;&#x30B9;&#x30BF;&#x30FC; &#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x3092;&#x4E0E;&#x3048;&#x3001;&#x3053;&#x306E;&#x4E00;&#x822C;&#x7684;&#x306A;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306F;&#x6D17;&#x7DF4;&#x3055;&#x308C;&#x305F;&#x7279;&#x5FB4;&#x306B;&#x57FA;&#x3065;&#x304F;&#x8A8D;&#x8B58;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x3092;&#x8A98;&#x5C0E;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x30BF;&#x30B9;&#x30AF;&#x306E;&#x8A08;&#x7B97;&#x306E;&#x96E3;&#x6613;&#x5EA6;&#x3092;&#x51E6;&#x7406;&#x3059;&#x308B;&#x5354;&#x8ABF;&#x578B;&#x5171;&#x9032;&#x5316;&#x306E;&#x30D1;&#x30E9;&#x30C0;&#x30A4;&#x30E0;&#x3092;&#x63A1;&#x7528;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x7279;&#x5FB4;&#x62BD;&#x51FA;&#x5264;&#x3092;&#x8868;&#x3059;&#x306B;&#x306F;&#x3001;&#x7DDA;&#x5F62;&#x306E;&#x907A;&#x4F1D;&#x7684;&#x30D7;&#x30ED;&#x30B0;&#x30E9;&#x30DF;&#x30F3;&#x30B0;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x307E;&#x3059;&#x3002;&#x7D19;&#x5B66;&#x7FD2;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3068;&#x305D;&#x306E;&#x30C7;&#x30B6;&#x30A4;&#x30F3;&#x304C;&#x3057;&#x3063;&#x304B;&#x308A;&#x3057;&#x305F;&#x6839;&#x62E0;&#x3092;&#x8AAC;&#x660E;&#x3057;&#x307E;&#x3059;&#x3002;&#x7570;&#x306A;&#x308B;&#x30A2;&#x30FC;&#x30AD;&#x30C6;&#x30AF;&#x30C1;&#x30E3;&#x306E;&#x8A8D;&#x8B58;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x306F;&#x63D0;&#x6848;&#x6A5F;&#x80FD;&#x5408;&#x6210;&#x6CD5;&#x3092;&#x63A1;&#x7528;&#x3059;&#x308B;&#x3068;&#x898B;&#x306A;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x5408;&#x6210;&#x958B;&#x53E3;&#x30EC;&#x30FC;&#x30C0;&#x30FC; (SAR) &#x753B;&#x50CF;&#x4E2D;&#x306E;&#x7269;&#x4F53;&#x8A8D;&#x8B58;&#x306E;&#x53B3;&#x3057;&#x3044;&#x73FE;&#x5B9F;&#x4E16;&#x754C;&#x306E;&#x30BF;&#x30B9;&#x30AF;&#x306B;&#x95A2;&#x3059;&#x308B;&#x5E83;&#x7BC4;&#x306A;&#x5B9F;&#x9A13;&#x8A55;&#x4FA1;&#x306F;&#x7570;&#x306A;&#x308B;&#x52D5;&#x4F5C;&#x6761;&#x4EF6;&#x3067;&#x9AD8;&#x3044;&#x8A8D;&#x8B58;&#x6027;&#x80FD;&#x3092;&#x9054;&#x6210;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x63D0;&#x6848;&#x3055;&#x308C;&#x305F;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306E;&#x80FD;&#x529B;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x8996;&#x899A;&#x7684;&#x306A;&#x5B66;&#x7FD2;&#x5171;&#x9032;&#x5316;&#x6A5F;&#x80FD;&#x5408;&#x6210;&#x306B;&#x3088;&#x308B;&#x3002;

&#xC774; &#xC2E0;&#xBB38;&#xC5D0; &#xC18C;&#xC124; &#xC720;&#xC804;&#xC790; &#xC601;&#xAC10; &#xC744;&#xB41C; &#xC2DC;&#xAC01;&#xC801; &#xD559;&#xC2B5; &#xBC29;&#xBC95;&#xC744; &#xC81C;&#xC548;. &#xD6C8;&#xB828; &#xB798;&#xC2A4;&#xD130; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xAC10;&#xC548;&#xD560; &#xB54C;, &#xC77C;&#xBC18; &#xC774;&#xB807;&#xAC8C; &#xC815;&#xAD50;&#xD55C; &#xAE30;&#xB2A5; &#xAE30;&#xBC18; &#xC778;&#xC2DD; &#xC2DC;&#xC2A4;&#xD15C;&#xC744; &#xC720;&#xB3C4; &#xD569;&#xB2C8;&#xB2E4;. &#xADF8;&#xAC83;&#xC740;&#xC774; &#xC791;&#xC5C5;&#xC758; &#xC5B4;&#xB824;&#xC6C0;&#xC744; &#xC804;&#xC0B0; &#xCC98;&#xB9AC; &#xD558;&#xAE30; &#xC704;&#xD574; &#xD611;&#xB3D9; coevolution &#xD328;&#xB7EC;&#xB2E4;&#xC784;&#xC744; &#xC0AC;&#xC6A9; &#xD569;&#xB2C8;&#xB2E4;. &#xAE30;&#xB2A5; &#xCD94;&#xCD9C; &#xC5D0;&#xC774;&#xC804;&#xD2B8;&#xB97C; &#xB098;&#xD0C0;&#xB0B4;&#xAE30; &#xC704;&#xD574; &#xC120;&#xD615; &#xC720;&#xC804;&#xC790; &#xD504;&#xB85C;&#xADF8;&#xB798;&#xBC0D; &#xC0AC;&#xC6A9; &#xB429;&#xB2C8;&#xB2E4;. &#xC885;&#xC774; &#xD559;&#xC2B5; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xC124;&#xBA85; &#xD558; &#xACE0; &#xADF8;&#xAC83;&#xC758; &#xB514;&#xC790;&#xC778;&#xC5D0; &#xB300; &#xD55C; &#xD655;&#xACE0; &#xD55C; &#xADFC;&#xAC70;&#xB97C; &#xC81C;&#xACF5; &#xD569;&#xB2C8;&#xB2E4;. &#xC778;&#xC2DD; &#xC2DC;&#xC2A4;&#xD15C;&#xC758; &#xC11C;&#xB85C; &#xB2E4;&#xB978; &#xC544;&#xD0A4;&#xD14D;&#xCC98;&#xB97C; &#xC0AC;&#xC6A9; &#xD558;&#xB294; &#xC81C;&#xC548; &#xB41C; &#xAE30;&#xB2A5; &#xD569;&#xC131; &#xBC29;&#xBC95; &#xC774;&#xB77C;&#xACE0; &#xC5EC;&#xACA8;&#xC9C4;&#xB2E4;. &#xD569;&#xC131; &#xC870;&#xB9AC;&#xAC1C; &#xB808;&#xC774;&#xB354; (SAR) &#xC774;&#xBBF8;&#xC9C0;&#xC5D0;&#xC11C; &#xAC1C;&#xCCB4; &#xC778;&#xC2DD;&#xC758; &#xAE4C;&#xB2E4;&#xB85C;&#xC6B4; &#xC2E4;&#xC81C; &#xC791;&#xC5C5;&#xC5D0; &#xAD11;&#xBC94;&#xC704; &#xD55C; &#xC2E4;&#xD5D8; &#xD3C9;&#xAC00; &#xC11C;&#xB85C; &#xB2E4;&#xB978; &#xC791;&#xB3D9; &#xC870;&#xAC74;&#xC5D0;&#xC11C; &#xB192;&#xC740; &#xC778;&#xC2DD; &#xC131;&#xB2A5;&#xC744; &#xB2EC;&#xC131; &#xD558;&#xAE30; &#xC704;&#xD574; &#xC81C;&#xC548; &#xB41C; &#xBC29;&#xBC95;&#xC758; &#xB2A5;&#xB825;&#xC744; &#xBCF4;&#xC5EC;&#xC90D;&#xB2C8;&#xB2E4;.

Coevolutionary &#xAE30;&#xB2A5; &#xD569;&#xC131; &#xD558; &#xC5EC; &#xC2DC;&#xAC01;&#xC801; &#xD559;&#xC2B5;&#xC785;&#xB2C8;&#xB2E4;.

En este trabajo se propone un novedoso m&eacute;todo de aprendizaje visual gen&eacute;ticamente inspirado. Teniendo en cuenta las im&aacute;genes de trama de la formaci&oacute;n, este planteamiento general induce un sistema de reconocimiento basado en funciones sofisticadas. Emplea el paradigma de la coevoluci&oacute;n cooperativa para manejar la dificultad computacional de esta tarea. Para representar a los agentes de extracci&oacute;n de la caracter&iacute;stica, se utiliza la programaci&oacute;n lineal de la gen&eacute;tica. El documento describe el algoritmo de aprendizaje y proporciona un fundamento firme para su dise&ntilde;o. Diferentes arquitecturas de sistemas de reconocimiento se consideran que emplean el m&eacute;todo de s&iacute;ntesis de la funci&oacute;n propuesta. Una extensa evaluaci&oacute;n experimental en la exigente tarea de reales de reconocimiento de objetos en im&aacute;genes de radar (SAR) de apertura sint&eacute;tica muestra la capacidad del enfoque propuesto para lograr un rendimiento alto reconocimiento en diferentes condiciones de operaci&oacute;n.

S&iacute;ntesis de la coevoluci&oacute;n de la funci&oacute;n de aprendizaje visual.

&#x57FA;&#x4E8E;&#x5185;&#x5BB9;&#x7684;&#x56FE;&#x50CF;&#x68C0;&#x7D22;&#x7CFB;&#x7EDF;&#x4E2D;&#x5B66;&#x4E60;&#x7684;&#x6982;&#x5FF5;&#x662F;&#x4E00;&#x4E2A;&#x5177;&#x6709;&#x6311;&#x6218;&#x6027;&#x7684;&#x4EFB;&#x52A1;&#x3002;&#x672C;&#x6587;&#x63D0;&#x51FA;&#x4E86;&#x4E00;&#x4E2A;&#x79EF;&#x6781;&#x7684;&#x6982;&#x5FF5;&#x5B66;&#x4E60;&#x65B9;&#x6CD5;&#x57FA;&#x4E8E;&#x6DF7;&#x5408;&#x6A21;&#x578B;&#x6765;&#x5904;&#x7406;&#x6570;&#x636E;&#x5E93;&#x7CFB;&#x7EDF;&#x7684;&#x4E24;&#x4E2A;&#x57FA;&#x672C;&#x65B9;&#x9762;&#xFF1A; &#x66F4;&#x6539; &#xFF08;&#x56FE;&#x50CF;&#x63D2;&#x5165;&#x6216;&#x5220;&#x9664;&#xFF09; &#x7684;&#x6570;&#x636E;&#x5E93;&#x548C;&#x7528;&#x6237;&#x67E5;&#x8BE2;&#x7684;&#x6027;&#x8D28;&#x3002;&#x4E3A;&#x5B9E;&#x73B0;&#x6982;&#x5FF5;&#x5B66;&#x4E60;&#xFF0C;&#x6211;&#x4EEC;&#xFF09; &#x5EFA;&#x8BAE;&#x65B0;&#x7528;&#x6237;&#x9488;&#x5BF9;&#x6DF7;&#x5408;&#x53C2;&#x6570;&#x4F30;&#x8BA1;&#xFF0C;&#x534A;&#x7684;&#x671F;&#x671B;&#x6700;&#x5927;&#x5316;&#x7B97;&#x6CD5;&#x548C; b) &#x5236;&#x5B9A;&#x57FA;&#x4E8E;&#x8D1D;&#x53F6;&#x65AF;&#x5206;&#x6790;&#x8BA1;&#x7B97;&#x7ED3;&#x679C;&#x7684;&#x5047;&#x8BBE;&#x6A21;&#x578B;&#x7684;&#x53EF;&#x7528;&#x4FE1;&#x606F;&#x4E00;&#x81F4;&#x6027;&#x7684;&#x65B0;&#x578B;&#x6A21;&#x578B;&#x9009;&#x62E9;&#x65B9;&#x6CD5;&#x3002;&#x5728;&#x641C;&#x7D22;&#x7A7A;&#x95F4;&#x63A2;&#x7D22;&#x4E0E;&#x5F00;&#x53D1;&#x5206;&#x6790;&#x6709;&#x52A9;&#x4E8E;&#x6709;&#x6548;&#x5730;&#x627E;&#x5230;&#x6700;&#x4F18;&#x7684;&#x6A21;&#x578B;&#x3002;&#x6211;&#x4EEC;&#x7684;&#x6982;&#x5FF5;&#x77E5;&#x8BC6;&#x8F6C;&#x5BFC;&#x65B9;&#x6CD5;&#x662F;&#x80FD;&#x591F;&#x5904;&#x7406;&#x56FE;&#x50CF;&#x63D2;&#x5165;&#x548C;&#x67E5;&#x8BE2;&#x56FE;&#x50CF;&#x6B63;&#x5728;&#x6570;&#x636E;&#x5E93;&#x4EE5;&#x5916;&#x7684;&#x60C5;&#x51B5;&#x3002;&#x7CFB;&#x7EDF;&#x5904;&#x7406;&#x56FE;&#x50CF;&#x671F;&#x95F4;&#x76F8;&#x5173;&#x53CD;&#x9988;&#x5E76;&#x7528;&#x6237;&#x53EF;&#x80FD; mislabel &#x7684;&#x60C5;&#x51B5;&#x3002;Corel &#x6570;&#x636E;&#x5E93;&#x4E0A;&#x7684;&#x5B9E;&#x9A8C;&#x7ED3;&#x679C;&#x8868;&#x660E;&#x6211;&#x4EEC;&#x6D3B;&#x52A8;&#x7684;&#x6982;&#x5FF5;&#xFF0C;&#x6982;&#x5FF5;&#x8F6C;&#x5BFC;&#x7684;&#x5B66;&#x4E60;&#x65B9;&#x6CD5;&#x548C;&#x68C0;&#x7D22;&#x6027;&#x80FD;&#x7684;&#x6539;&#x5584;&#x6548;&#x679C;&#x3002;

&#x56FE;&#x50CF;&#x6570;&#x636E;&#x5E93;&#x4E2D;&#x5B66;&#x4E60;&#x6D3B;&#x52A8;&#x7684;&#x6982;&#x5FF5;&#x3002;

Concept learning in content-based image retrieval systems is a challenging task. This paper presents an active concept learning approach based on the mixture model to deal with the two basic aspects of a database system: the changing (image insertion or removal) nature of a database and user queries. To achieve concept learning, we a) propose a new user directed semi-supervised expectation-maximization algorithm for mixture parameter estimation, and b) develop a novel model selection method based on Bayesian analysis that evaluates the consistency of hypothesized models with the available information. The analysis of exploitation versus exploration in the search space helps to find the optimal model efficiently. Our concept knowledge transduction approach is able to deal with the cases of image insertion and query images being outside the database. The system handles the situation where users may mislabel images during relevance feedback. Experimental results on Corel database show the efficacy of our active concept learning approach and the improvement in retrieval performance by concept transduction.

Active concept learning in image databases.

Concept d&#39;apprentissage dans les syst&egrave;mes de r&eacute;cup&eacute;ration d&#39;image bas&eacute;e sur le contenu est une t&acirc;che difficile. Cet article pr&eacute;sente un concept actif approche bas&eacute;e sur le mod&egrave;le de m&eacute;lange pour traiter les deux aspects fondamentaux d&#39;un syst&egrave;me de base de donn&eacute;es d&#39;apprentissage : la modification (insertion d&#39;image ou suppression) nature de des requ&ecirc;tes de base de donn&eacute;es et d&#39;utilisateur. Pour r&eacute;aliser l&#39;apprentissage de la notion, nous a) proposent un nouvel utilisateur dirig&eacute;e algorithme esp&eacute;rance-maximisation semi-pour l&#39;estimation de param&egrave;tres de m&eacute;lange et b) &eacute;laborer une m&eacute;thode de s&eacute;lection de mod&egrave;le original bas&eacute;e sur l&#39;analyse bay&eacute;sienne qui &eacute;value la coh&eacute;rence des mod&egrave;les hypoth&eacute;tiques avec l&#39;information disponible. L&#39;analyse de l&#39;exploitation et l&#39;exploration dans l&#39;espace de recherche permet de trouver le mod&egrave;le optimal efficacement. Notre approche de transduction de connaissances concept est capable de traiter les cas d&#39;insertion d&#39;image et les images de requ&ecirc;te se trouve hors de la base de donn&eacute;es. Le syst&egrave;me g&egrave;re la situation o&ugrave; les utilisateurs peuvent m&eacute;conna&icirc;tre des images au cours de l&#39;&eacute;valuation de la pertinence. Des r&eacute;sultats exp&eacute;rimentaux sur la base de donn&eacute;es de Corel d&eacute;montrent l&#39;efficacit&eacute; de notre concept active de transduction de la notion d&#39;apprentissage approche et l&#39;am&eacute;lioration des performances de r&eacute;cup&eacute;ration.

Active concept d&#39;apprentissage dans les bases de donn&eacute;es image.

Aktive Konzept Lernen in Bilddatenbanken.

Concetto di apprendimento in content-based image retrieval systems &egrave; un compito impegnativo. Questo libro presenta un concetto di active learning approccio basato sul modello di miscela per affrontare due aspetti fondamentali di un sistema di database: la modifica (inserimento di immagini o rimozione) natura di una query di database e l&#39;utente. Per raggiungere l&#39;apprendimento del concetto, un) proponiamo un nuovo utente diretto algoritmo semi-supervised expectation-maximization per stima del parametro miscela e b) sviluppare un metodo di selezione del modello di romanzo basato su analisi bayesiana che valuta la coerenza dei modelli ipotizzate con le informazioni disponibili. L&#39;analisi dello sfruttamento versus esplorazione nello spazio ricerca aiuta a trovare in modo efficiente il modello ottimo. Il nostro approccio di trasduzione concetto conoscenza &egrave; in grado di affrontare i casi di inserimento di immagini e immagini di query essendo all&#39;esterno del database. Il sistema gestisce la situazione dove gli utenti possono mislabel immagini durante il feedback sull&#39;attinenza. Risultati sperimentali su Corel database mostrano l&#39;efficacia del nostro concetto di active learning approccio e il miglioramento delle prestazioni di recupero di trasduzione del concetto.

Concetto attivo di apprendimento nei database di immagini.

&#x6982;&#x5FF5;&#x5B66;&#x7FD2;&#x5185;&#x5BB9;&#x306B;&#x57FA;&#x3065;&#x304F;&#x753B;&#x50CF;&#x691C;&#x7D22;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x3067;&#x306F;&#x56F0;&#x96E3;&#x306A;&#x4F5C;&#x696D;&#x3067;&#x3059;&#x3002;&#x5B66;&#x7FD2;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9; &#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x306E; 2 &#x3064;&#x306E;&#x57FA;&#x672C;&#x7684;&#x306A;&#x5074;&#x9762;&#x306B;&#x5BFE;&#x51E6;&#x3059;&#x308B;&#x6DF7;&#x5408;&#x30E2;&#x30C7;&#x30EB;&#x306B;&#x57FA;&#x3065;&#x304F;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306F;&#x30A2;&#x30AF;&#x30C6;&#x30A3;&#x30D6;&#x306A;&#x30B3;&#x30F3;&#x30BB;&#x30D7;&#x30C8;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;: (&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x306E;&#x633F;&#x5165;&#x307E;&#x305F;&#x306F;&#x53D6;&#x308A;&#x5916;&#x3057;) &#x3092;&#x5909;&#x66F4;&#x3059;&#x308B;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9;&#x3068;&#x30E6;&#x30FC;&#x30B6;&#x30FC; &#x30AF;&#x30A8;&#x30EA;&#x306E;&#x6027;&#x8CEA;&#x3002;&#x6982;&#x5FF5;&#x5B66;&#x7FD2;&#x3092;&#x9054;&#x6210;&#x3059;&#x308B;&#x306B;&#x306F;&#x3001;&#x672C;&#x306F;) &#x65B0;&#x3057;&#x3044;&#x30E6;&#x30FC;&#x30B6;&#x30FC;&#x6DF7;&#x5408;&#x30D1;&#x30E9;&#x30E1;&#x30FC;&#x30BF;&#x30FC;&#x63A8;&#x5B9A;&#x306E;&#x305F;&#x3081;&#x306E;&#x534A;&#x6559;&#x5E2B;&#x4ED8;&#x304D;&#x671F;&#x5F85;&#x5024;&#x6700;&#x5927;&#x5316;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x76E3;&#x7763; b) &#x4EEE;&#x8AAC;&#x30E2;&#x30C7;&#x30EB;&#x5165;&#x624B;&#x53EF;&#x80FD;&#x306A;&#x60C5;&#x5831;&#x3068;&#x306E;&#x6574;&#x5408;&#x6027;&#x8A55;&#x4FA1;&#x30D9;&#x30A4;&#x30B8;&#x30A2;&#x30F3;&#x89E3;&#x6790;&#x306B;&#x57FA;&#x3065;&#x304F;&#x65B0;&#x305F;&#x306A;&#x30E2;&#x30C7;&#x30EB;&#x9078;&#x629E;&#x624B;&#x6CD5;&#x306E;&#x958B;&#x767A;. &#x3057;&#x307E;&#x3059;&#x3002;&#x691C;&#x7D22;&#x30B9;&#x30DA;&#x30FC;&#x30B9;&#x3067;&#x63A2;&#x67FB;&#x5BFE;&#x643E;&#x53D6;&#x306E;&#x89E3;&#x6790;&#x306F;&#x3001;&#x52B9;&#x7387;&#x7684;&#x306B;&#x6700;&#x9069;&#x306A;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x898B;&#x3064;&#x3051;&#x308B;&#x306E;&#x306B;&#x5F79;&#x7ACB;&#x3061;&#x307E;&#x3059;&#x3002;&#x6982;&#x5FF5;&#x77E5;&#x8B58;&#x4F1D;&#x9054;&#x306E;&#x53D6;&#x308A;&#x7D44;&#x307F;&#x306F;&#x3001;&#x753B;&#x50CF;&#x306E;&#x633F;&#x5165;&#x3068;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x5916;&#x90E8;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9; &#x30AF;&#x30A8;&#x30EA;&#x753B;&#x50CF;&#x306E;&#x5834;&#x5408;&#x306B;&#x5BFE;&#x51E6;&#x3059;&#x308B;&#x3053;&#x3068;&#x3067;&#x3059;&#x3002;&#x30B7;&#x30B9;&#x30C6;&#x30E0; &#x30E6;&#x30FC;&#x30B6;&#x30FC;&#x753B;&#x50CF;&#x4E2D;&#x306B;&#x95A2;&#x9023;&#x6027;&#x30D5;&#x30A3;&#x30FC;&#x30C9;&#x30D0;&#x30C3;&#x30AF;&#x3042;&#x3089;&#x305F;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3069;&#x3053;&#x306E;&#x72B6;&#x6CC1;&#x3092;&#x51E6;&#x7406;&#x3057;&#x307E;&#x3059;&#x3002;Corel &#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9;&#x306B;&#x95A2;&#x3059;&#x308B;&#x5B9F;&#x9A13;&#x7D50;&#x679C;&#x306B;&#x3088;&#x308B;&#x6982;&#x5FF5;&#x4F1D;&#x9054;&#x5B66;&#x7FD2;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3068;&#x691C;&#x7D22;&#x6027;&#x80FD;&#x306E;&#x6539;&#x5584;&#x79C1;&#x305F;&#x3061;&#x306E;&#x30A2;&#x30AF;&#x30C6;&#x30A3;&#x30D6;&#x306A;&#x30B3;&#x30F3;&#x30BB;&#x30D7;&#x30C8;&#x306E;&#x6709;&#x52B9;&#x6027;&#x3092;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;

&#x30A2;&#x30AF;&#x30C6;&#x30A3;&#x30D6;&#x306A;&#x30B3;&#x30F3;&#x30BB;&#x30D7;&#x30C8;&#x753B;&#x50CF;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9;&#x3092;&#x5B66;&#x7FD2;&#x3057;&#x307E;&#x3059;&#x3002;

&#xB0B4;&#xC6A9; &#xAE30;&#xBC18; &#xC774;&#xBBF8;&#xC9C0; &#xAC80;&#xC0C9; &#xC2DC;&#xC2A4;&#xD15C;&#xC5D0;&#xC11C; &#xD559;&#xC2B5; &#xAC1C;&#xB150;&#xC740; &#xC5B4;&#xB824;&#xC6B4; &#xC791;&#xC5C5;. &#xC774; &#xBB38;&#xC11C;&#xC5D0;&#xC11C;&#xB294; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4; &#xC2DC;&#xC2A4;&#xD15C;&#xC758; &#xB450; &#xAC00;&#xC9C0; &#xAE30;&#xBCF8; &#xCE21;&#xBA74;&#xC744; &#xB2E4;&#xB8E8;&#xB294; &#xD63C;&#xD569; &#xBAA8;&#xB378;&#xC744; &#xAE30;&#xBC18;&#xC73C;&#xB85C; &#xD558;&#xB294; &#xBC29;&#xBC95;&#xC744; &#xD559;&#xC2B5; &#xD558;&#xB294; &#xD65C;&#xC131; &#xAC1C;&#xB150; &#xC124;&#xBA85;: (&#xC774;&#xBBF8;&#xC9C0; &#xC0BD;&#xC785; &#xB610;&#xB294; &#xC81C;&#xAC70;) &#xBCC0;&#xACBD; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4; &#xBC0F; &#xC0AC;&#xC6A9;&#xC790; &#xCFFC;&#xB9AC;&#xC758; &#xC790;&#xC5F0;. &#xAC1C;&#xB150; &#xD559;&#xC2B5;&#xC744; &#xB2EC;&#xC131; &#xD558;&#xAE30; &#xC704;&#xD574; &#xC6B0;&#xB9AC;&#xB294;) &#xC81C;&#xC548; &#xC0C8;&#xB85C;&#xC6B4; &#xC0AC;&#xC6A9;&#xC790; semi-supervised &#xAE30;&#xB300; &#xADF9;&#xB300;&#xD654; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xD63C;&#xD569; &#xB9E4;&#xAC1C; &#xBCC0;&#xC218; &#xCD94;&#xC815;&#xC5D0; &#xB300; &#xD55C; &#xAC10;&#xB3C5;&#xACFC; b) &#xAC1C;&#xBC1C; &#xC0AC;&#xC6A9; &#xAC00;&#xB2A5;&#xD55C; &#xC815;&#xBCF4;&#xB85C; &#xAC00;&#xC124;&#xB41C; &#xBAA8;&#xB378;&#xC758; &#xC77C;&#xAD00;&#xC131;&#xC744; &#xD3C9;&#xAC00; &#xD558;&#xB294; &#xBCA0;&#xC774;&#xC9C0;&#xC548; &#xBD84;&#xC11D;&#xC744; &#xAE30;&#xBC18;&#xC73C;&#xB85C; &#xC0C8;&#xB85C;&#xC6B4; &#xBAA8;&#xB378; &#xC120;&#xD0DD; &#xBC29;&#xBC95;. &#xAC80;&#xC0C9; &#xACF5;&#xAC04;&#xC5D0;&#xC11C; &#xD0D0;&#xC0AC; &#xB300; &#xCC29;&#xCDE8;&#xC758; &#xBD84;&#xC11D; &#xCD5C;&#xC801;&#xC758; &#xBAA8;&#xB378;&#xC744; &#xD6A8;&#xC728;&#xC801;&#xC73C;&#xB85C; &#xCC3E;&#xC744; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC758; &#xAC1C;&#xB150; &#xC9C0;&#xC2DD; &#xC804;&#xB2EC; &#xBC29;&#xBC95;&#xC740; &#xC774;&#xBBF8;&#xC9C0; &#xC0BD;&#xC785; &#xBC0F; &#xCFFC;&#xB9AC; &#xC774;&#xBBF8;&#xC9C0; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4; &#xBC16;&#xC5D0; &#xC788;&#xB294; &#xACBD;&#xC6B0;&#xC640; &#xAC70;&#xB798;&#xB97C; &#xD560; &#xC218;&#xC785;&#xB2C8;&#xB2E4;. &#xC0AC;&#xC6A9;&#xC790;&#xAC00; &#xAD00;&#xB828;&#xC131; &#xD53C;&#xB4DC;&#xBC31; &#xC911; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; mislabel &#xC218; &#xC788;&#xB294; &#xC0C1;&#xD669;&#xC744; &#xCC98;&#xB9AC; &#xD558;&#xB294; &#xC2DC;&#xC2A4;&#xD15C;. &#xCF54;&#xB810; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4;&#xC5D0; &#xB300; &#xD55C; &#xC2E4;&#xD5D8; &#xACB0;&#xACFC; &#xD559;&#xC2B5; &#xC811;&#xADFC; &#xBC0F; &#xAC80;&#xC0C9; &#xC131;&#xB2A5; &#xD5A5;&#xC0C1; &#xAC1C;&#xB150; &#xC804;&#xB2EC; &#xD558; &#xC5EC; &#xC6B0;&#xB9AC;&#xC758; &#xC801;&#xADF9;&#xC801;&#xC778; &#xAC1C;&#xB150;&#xC758; &#xD6A8;&#xB2A5;&#xC744; &#xBCF4;&#xC5EC;&#xC90D;&#xB2C8;&#xB2E4;.

&#xD65C;&#xC131; &#xCEE8;&#xC149; &#xC774;&#xBBF8;&#xC9C0; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4;&#xC5D0; &#xC788;&#xB294; &#xD559;&#xC2B5;&#xC785;&#xB2C8;&#xB2E4;.

Concepto en sistemas de recuperaci&oacute;n de imagen basado en el contenido de aprendizaje es una tarea dif&iacute;cil. Este papel presenta un concepto activo, aprendizaje basado en el modelo de mezcla para ocuparse de los dos aspectos b&aacute;sicos de un sistema de base de datos: el cambio (imagen insertar o retirar) naturaleza de las consultas de una base de datos y el usuario. Para lograr el aprendizaje del concepto, a) proponemos un nuevo usuario dirigido algoritmo semisupervisado expectativa-maximizaci&oacute;n para estimaci&oacute;n de par&aacute;metros de mezcla y b) desarrollar un m&eacute;todo de selecci&oacute;n de modelo novedoso basado en an&aacute;lisis bayesiano que eval&uacute;a la consistencia de los modelos hipot&eacute;ticos con la informaci&oacute;n disponible. El an&aacute;lisis de la explotaci&oacute;n y exploraci&oacute;n en el espacio de b&uacute;squeda ayuda a encontrar el modelo &oacute;ptimo eficientemente. Nuestro enfoque de transducci&oacute;n de conocimiento concepto es capaz de lidiar con los casos de inserci&oacute;n de imagen e im&aacute;genes de consulta est&aacute;n fuera de la base de datos. El sistema encarga de la situaci&oacute;n donde los usuarios pueden mislabel im&aacute;genes durante la regeneraci&oacute;n de relevancia. Resultados experimentales sobre la base de datos de Corel muestran la eficacia de nuestro concepto activo transducci&oacute;n del concepto de aprendizaje enfoque y la mejora en el rendimiento de recuperaci&oacute;n.

Concepto activo aprendizaje en bases de datos de imagen.

&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x4F7F;&#x7528;&#x9057;&#x4F20;&#x7F16;&#x7A0B; (GP) &#x5408;&#x6210;&#x590D;&#x5408;&#x8FD0;&#x7B97;&#x7B26;&#x548C;&#x590D;&#x5408;&#x529F;&#x80FD;&#x4ECE;&#x539F;&#x59CB;&#x64CD;&#x4F5C;&#x7684;&#x7EC4;&#x5408;&#x548C;&#x539F;&#x59CB;&#x5BF9;&#x8C61;&#x68C0;&#x6D4B;&#x529F;&#x80FD;&#x3002;&#x4F7F;&#x7528; GP &#x7684;&#x52A8;&#x673A;&#x662F;&#x8981;&#x514B;&#x670D;&#x7684;&#x4EC5;&#x4FA7;&#x91CD;&#x4E8E;&#x5E38;&#x89C4;&#x7EC4;&#x5408;&#x7684;&#x539F;&#x59CB;&#x56FE;&#x50CF;&#x5904;&#x7406;&#x64CD;&#x4F5C;&#x529F;&#x80FD;&#x5408;&#x6210;&#x4EBA;&#x7C7B;&#x4E13;&#x5BB6;&#x7684;&#x9650;&#x5236;&#x3002;GP &#x5C1D;&#x8BD5;&#x8BB8;&#x591A;&#x975E;&#x5E38;&#x89C4;&#x7684;&#x7EC4;&#x5408;&#xFF0C;&#x5728;&#x67D0;&#x4E9B;&#x60C5;&#x51B5;&#x4E0B;&#x4EA7;&#x751F;&#x6781;&#x597D;&#x7684;&#x7ED3;&#x679C;&#x3002;&#x4E3A;&#x63D0;&#x9AD8;&#x653F;&#x5E9C;&#x91C7;&#x8D2D;&#x6548;&#x7387;&#xFF0C;&#x9632;&#x6B62;&#x5176;&#x77E5;&#x540D;&#x7684;&#x4EE3;&#x7801;&#x81A8;&#x80C0;&#x901F;&#x5EA6;&#x95EE;&#x9898;&#x6CA1;&#x6709;&#x65BD;&#x52A0; GP &#x641C;&#x7D22;&#x7684;&#x4E25;&#x91CD;&#x9650;&#x5236;&#xFF0C;&#x6211;&#x4EEC;&#x8BBE;&#x8BA1;&#x4E86;&#x65B0;&#x7684;&#x5065;&#x8EAB;&#x529F;&#x80FD;&#xFF0C;&#x57FA;&#x4E8E;&#x6700;&#x5C0F;&#x63CF;&#x8FF0;&#x957F;&#x5EA6;&#x539F;&#x5219;&#x7EB3;&#x5165;&#x5065;&#x8EAB;&#x8BC4;&#x4EF7;&#x8FC7;&#x7A0B;&#x7684;&#x50CF;&#x7D20;&#x6807;&#x8BB0;&#x9519;&#x8BEF;&#x548C;&#x590D;&#x5408;&#x8FD0;&#x7B97;&#x7B26;&#x7684;&#x5927;&#x5C0F;&#x3002;&#x8981;&#x8FDB;&#x4E00;&#x6B65;&#x63D0;&#x9AD8;&#x6548;&#x7387;&#x7684; GP&#xFF0C;&#x667A;&#x80FD;&#x4EA4;&#x53C9;&#xFF0C;&#x667A;&#x80FD;&#x7A81;&#x53D8;&#x4E0E;&#x516C;&#x5171;&#x56FE;&#x4E66;&#x9986;&#x7684;&#x60F3;&#x6CD5;&#x7EB3;&#x5165;&#x67E5;&#x660E;&#x5E76;&#x4FDD;&#x6301;&#x6709;&#x6548;&#x6210;&#x5206;&#x7684;&#x590D;&#x5408;&#x7ECF;&#x8425;&#x3002;&#x6211;&#x4EEC;&#x7684;&#x5B9E;&#x9A8C;&#x5BF9;&#x6267;&#x884C;&#x9009;&#x5B9A;&#x8BAD;&#x7EC3;&#x56FE;&#x50CF;&#xFF0C;&#x4EE5;&#x51CF;&#x5C11;&#x57F9;&#x8BAD;&#x65F6;&#x95F4;&#xFF0C;&#x663E;&#x793A;&#xFF0C;&#x76F8;&#x5BF9;&#x4E8E;&#x6B63;&#x5E38; GP &#x57F9;&#x8BAD;&#x533A;&#x57DF;&#x3001; &#x6211;&#x4EEC;&#x7684; GP &#x7B97;&#x6CD5;&#x66F4;&#x5FEB;&#x5730;&#x67E5;&#x627E;&#x6709;&#x6548;&#x7684;&#x590D;&#x5408;&#x8FD0;&#x7B97;&#x7B26;&#x548C;&#x6559;&#x8BAD;&#x590D;&#x5408;&#x8FD0;&#x7B97;&#x7B26;&#x53EF;&#x4EE5;&#x5E94;&#x7528;&#x4E8E;&#x6574;&#x4E2A;&#x8BAD;&#x7EC3;&#x56FE;&#x50CF;&#x548C;&#x5176;&#x4ED6;&#x7C7B;&#x4F3C;&#x7684;&#x6D4B;&#x8BD5;&#x56FE;&#x50CF;&#x3002;&#x4E0E;&#x4F20;&#x7EDF;&#x7684;&#x611F;&#x5174;&#x8DA3;&#x533A;&#x57DF;&#x63D0;&#x53D6;&#x7B97;&#x6CD5;&#x76F8;&#x6BD4;&#xFF0C;&#x5B66;&#x4E60;&#x7684; GP &#x7684;&#x590D;&#x5408;&#x8FD0;&#x7B97;&#x7B26;&#x4E5F;&#x66F4;&#x52A0;&#x6709;&#x6548;&#x548C;&#x9AD8;&#x6548;&#x7684;&#x5BF9;&#x8C61;&#x68C0;&#x6D4B;&#x3002;

&#x901A;&#x8FC7;&#x4F7F;&#x7528;&#x57FA;&#x4E8E; MDL &#x7684;&#x9057;&#x4F20;&#x7F16;&#x7A0B;&#x529F;&#x80FD;&#x5408;&#x6210;&#x7684;&#x5BF9;&#x8C61;&#x68C0;&#x6D4B;&#x3002;

In this paper, we use genetic programming (GP) to synthesize composite operators and composite features from combinations of primitive operations and primitive features for object detection. The motivation for using GP is to overcome the human experts' limitations of focusing only on conventional combinations of primitive image processing operations in the feature synthesis. GP attempts many unconventional combinations that in some cases yield exceptionally good results. To improve the efficiency of GP and prevent its well-known code bloat problem without imposing severe restriction on the GP search, we design a new fitness function based on minimum description length principle to incorporate both the pixel labeling error and the size of a composite operator into the fitness evaluation process. To further improve the efficiency of GP, smart crossover, smart mutation and a public library ideas are incorporated to identify and keep the effective components of composite operators. Our experiments, which are performed on selected training regions of a training image to reduce the training time, show that compared to normal GP, our GP algorithm finds effective composite operators more quickly and the learned composite operators can be applied to the whole training image and other similar testing images. Also, compared to a traditional region-of-interest extraction algorithm, the composite operators learned by GP are more effective and efficient for object detection.

Object detection via feature synthesis using MDL-based genetic programming.

Dans cet article, nous utilisons la programmation g&eacute;n&eacute;tique (GP) pour synth&eacute;tiser les op&eacute;rateurs composites et composites caract&eacute;ristiques des combinaisons d&#39;op&eacute;rations primitives et des caract&eacute;ristiques primitives pour la d&eacute;tection d&#39;objet. La motivation pour l&#39;utilisation de GP est de surmonter les limites des experts humains de se concentrer uniquement sur les combinaisons classiques des op&eacute;rations dans la synth&egrave;se de la fonctionnalit&eacute; de traitement de l&#39;image primitive. GP tente beaucoup de combinaisons non conventionnelles qui, dans certains cas, donne des r&eacute;sultats particuli&egrave;rement bons. Pour am&eacute;liorer l&#39;efficacit&eacute; du GP et emp&ecirc;cher son probl&egrave;me de ballonnement code connu sans imposer de restriction s&eacute;v&egrave;re sur la recherche GP, nous concevons une nouvelle fonction de remise en forme bas&eacute;e sur le principe de longueur minimale description d&#39;int&eacute;grer le processus d&#39;&eacute;valuation de condition physique tant l&#39;erreur d&#39;&eacute;tiquetage pixels et la taille d&#39;un op&eacute;rateur. Afin d&#39;am&eacute;liorer l&#39;efficacit&eacute; du GP, filtre intelligent, smart mutation et une biblioth&egrave;que publique des id&eacute;es sont incorpor&eacute;es afin d&#39;identifier et de conserver les composants efficaces des op&eacute;rateurs composites. Nos exp&eacute;riences, qui sont effectu&eacute;s sur certaines r&eacute;gions de formation d&#39;une image de la formation pour r&eacute;duire le temps de formation, montrent que par rapport &agrave; la normale GP, notre algorithme GP recherche op&eacute;rateurs composites efficaces plus rapidement et les savants op&eacute;rateurs composites peuvent &ecirc;tre appliqu&eacute;s &agrave; l&#39;image de toute formation et autres images de tests similaires. Aussi, par rapport &agrave; un algorithme d&#39;extraction de r&eacute;gion d&#39;int&eacute;r&ecirc;t traditionnel, les op&eacute;rateurs composites appris par GP sont plus efficaces et efficients pour la d&eacute;tection d&#39;objet.

D&eacute;tection d&#39;objet par l&#39;interm&eacute;diaire de synth&egrave;se de fonctionnalit&eacute; &agrave; l&#39;aide de la programmation g&eacute;n&eacute;tique ax&eacute;e sur la MDL.

Objekterkennung &#xFC;ber Feature-Synthese mit MDL-basierte genetische Programmierung.

In questa carta, usiamo la programmazione genetica (GP) per sintetizzare e operatori compositi compositi caratteristiche e da combinazioni di operazioni primitive e caratteristiche primitive per il rilevamento di oggetti. La motivazione per l&#39;utilizzo di GP &egrave; di superare i limiti umani degli esperti di focalizzarsi solo sulle combinazioni convenzionali della primitiva immagine operazioni in sintesi la funzione di elaborazione. GP tenta molte combinazioni non convenzionali che in alcuni casi dare risultati eccezionalmente buoni. Per migliorare l&#39;efficienza della GP e prevenire il problema gonfiare ben noto codice senza imporre gravi restrizioni sulla ricerca GP, progettiamo una nuova funzione di fitness basata sul principio di lunghezza minima descrizione di incorporare sia l&#39;errore di etichettatura pixel e le dimensioni di un composito operatore nel processo di valutazione di idoneit&agrave;. Per migliorare ulteriormente l&#39;efficienza della GP, smart crossover, mutazione intelligente e una biblioteca pubblica idee sono incorporate per identificare e per mantenere i componenti efficaci dei operatori compositi. Nostri esperimenti, che vengono eseguiti su selezionato regioni di formazione di un&#39;immagine di formazione per ridurre i tempi della formazione, mostrano che, rispetto alla normale GP, il nostro algoritmo GP trova gli operatori compositi efficaci pi&ugrave; rapidamente e gli operatori compositi imparati possono essere applicati per l&#39;immagine intera formazione e altre immagini simili test. Inoltre, rispetto ad un algoritmo tradizionale estrazione della regione di interesse, gli operatori compositi imparati da GP sono pi&ugrave; efficaci ed efficienti per la rilevazione degli oggetti.

Rilevamento di oggetti tramite sintesi di funzionalit&agrave; utilizzando programmazione genetica basata su MDL.

&#x672C;&#x7A3F;&#x3067;&#x306F;, &#x907A;&#x4F1D;&#x7684;&#x30D7;&#x30ED;&#x30B0;&#x30E9;&#x30DF;&#x30F3;&#x30B0; (GP) &#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x8907;&#x5408;&#x6F14;&#x7B97;&#x5B50;&#x3068;&#x57FA;&#x672C;&#x64CD;&#x4F5C;&#x306E;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x304B;&#x3089;&#x8907;&#x5408;&#x6A5F;&#x80FD;&#x3068;&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x691C;&#x51FA;&#x306E;&#x305F;&#x3081;&#x306E;&#x539F;&#x59CB;&#x7684;&#x306A;&#x7279;&#x5FB4;&#x3092;&#x5408;&#x6210;&#x3057;&#x307E;&#x3059;&#x3002;GP &#x3092;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x52D5;&#x6A5F;&#x306E;&#x30D7;&#x30EA;&#x30DF;&#x30C6;&#x30A3;&#x30D6;&#x306E;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x51E6;&#x7406;&#x64CD;&#x4F5C;&#x6A5F;&#x80FD;&#x5408;&#x6210;&#x306B;&#x304A;&#x3051;&#x308B;&#x5F93;&#x6765;&#x306E;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x3067;&#x306E;&#x307F;&#x7126;&#x70B9;&#x306E;&#x4EBA;&#x9593;&#x306E;&#x5C02;&#x9580;&#x5BB6;&#x306E;&#x9650;&#x754C;&#x3092;&#x514B;&#x670D;&#x3059;&#x308B;&#x3053;&#x3068;&#x3067;&#x3059;&#x3002;GP &#x306F;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x30B1;&#x30FC;&#x30B9;&#x3067;&#x975E;&#x5E38;&#x306B;&#x826F;&#x3044;&#x7D50;&#x679C;&#x3092;&#x3082;&#x305F;&#x3089;&#x3059;&#x591A;&#x304F;&#x306E;&#x578B;&#x7834;&#x308A;&#x306E;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x3092;&#x8A66;&#x884C;&#x3057;&#x307E;&#x3059;&#x3002;GP &#x306E;&#x52B9;&#x7387;&#x3092;&#x6539;&#x5584;&#x3057;&#x3001;GP &#x691C;&#x7D22;&#x306E;&#x53B3;&#x3057;&#x3044;&#x5236;&#x9650;&#x3092;&#x8AB2;&#x3059;&#x3053;&#x3068;&#x306A;&#x304F;&#x304C;&#x3001;&#x305D;&#x306E;&#x3088;&#x304F;&#x77E5;&#x3089;&#x308C;&#x3066;&#x3044;&#x308B;&#x30B3;&#x30FC;&#x30C9;&#x306E;&#x80A5;&#x5927;&#x5316;&#x306E;&#x554F;&#x984C;&#x3092;&#x9632;&#x3050;&#x306E;&#x305F;&#x3081;&#x3001;&#x30D4;&#x30AF;&#x30BB;&#x30EB; &#x30E9;&#x30D9;&#x30EA;&#x30F3;&#x30B0; &#x30A8;&#x30E9;&#x30FC;&#x304A;&#x3088;&#x3073;&#x8907;&#x5408;&#x6F14;&#x7B97;&#x5B50;&#x306E;&#x30B5;&#x30A4;&#x30BA;&#x3001;&#x30D5;&#x30A3;&#x30C3;&#x30C8;&#x30CD;&#x30B9;&#x8A55;&#x4FA1;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x306B;&#x7D44;&#x307F;&#x8FBC;&#x307E;&#x308C;&#x3066;&#x6700;&#x5C0F;&#x8A18;&#x8FF0;&#x9577;&#x539F;&#x7406;&#x306B;&#x57FA;&#x3065;&#x304F;&#x65B0;&#x3057;&#x3044;&#x30D5;&#x30A3;&#x30C3;&#x30C8;&#x30CD;&#x30B9;&#x95A2;&#x6570;&#x3092;&#x8A2D;&#x8A08;&#x3057;&#x307E;&#x3059;&#x3002;&#x3055;&#x3089;&#x306B;&#x30B9;&#x30DE;&#x30FC;&#x30C8;&#x306E;&#x30AF;&#x30ED;&#x30B9; &#x30AA;&#x30FC;&#x30D0;&#x30FC;&#x306F;&#x3001;GP &#x306E;&#x52B9;&#x7387;&#x3092;&#x5411;&#x4E0A;&#x3055;&#x305B;&#x308B;&#x30B9;&#x30DE;&#x30FC;&#x30C8;&#x7A81;&#x7136;&#x5909;&#x7570;&#x3068;&#x516C;&#x5171;&#x56F3;&#x66F8;&#x9928;&#x306E;&#x30A2;&#x30A4;&#x30C7;&#x30A2;&#x3092;&#x8B58;&#x5225;&#x3057;&#x3001;&#x8907;&#x5408;&#x6F14;&#x7B97;&#x5B50;&#x306E;&#x6709;&#x52B9;&#x6210;&#x5206;&#x3092;&#x7DAD;&#x6301;&#x3059;&#x308B;&#x7D44;&#x307F;&#x8FBC;&#x307E;&#x308C;&#x307E;&#x3059;&#x3002;&#x5B9F;&#x884C;&#x3055;&#x308C;&#x307E;&#x3059;&#x6211;&#x3005; &#x306E;&#x5B9F;&#x9A13;&#x306F;&#x3001;&#x30C8;&#x30EC;&#x30FC;&#x30CB;&#x30F3;&#x30B0;&#x9818;&#x57DF;&#x306E;&#x30C8;&#x30EC;&#x30FC;&#x30CB;&#x30F3;&#x30B0;&#x6642;&#x9593;&#x3092;&#x524A;&#x6E1B;&#x3057;&#x3001;&#x901A;&#x5E38;&#x306E; GP &#x306B;&#x6BD4;&#x8F03;&#x3057;&#x3066;&#x793A;&#x3059;&#x30C8;&#x30EC;&#x30FC;&#x30CB;&#x30F3;&#x30B0; &#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x306E;&#x9078;&#x629E;&#x3001;&#x79C1;&#x305F;&#x3061; GP &#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x304C;&#x52B9;&#x679C;&#x7684;&#x306A;&#x8907;&#x5408;&#x6F14;&#x7B97;&#x5B50;&#x3092;&#x3088;&#x308A;&#x8FC5;&#x901F;&#x306B;&#x691C;&#x51FA;&#x304A;&#x3088;&#x3073;&#x5168;&#x4F53;&#x306E;&#x30C8;&#x30EC;&#x30FC;&#x30CB;&#x30F3;&#x30B0; &#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x3068;&#x4ED6;&#x306E;&#x540C;&#x69D8;&#x306E;&#x30C6;&#x30B9;&#x30C8;&#x753B;&#x50CF;&#x3092;&#x5B66;&#x7FD2;&#x3057;&#x305F;&#x8907;&#x5408;&#x6F14;&#x7B97;&#x5B50;&#x3092;&#x9069;&#x7528;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x307E;&#x305F;&#x3001;&#x4F1D;&#x7D71;&#x7684;&#x306A;&#x95A2;&#x5FC3;&#x9818;&#x57DF;&#x306E;&#x62BD;&#x51FA;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x6BD4;&#x8F03;&#x3059;&#x308B;&#x3068;&#x3001;GP &#x306B;&#x3088;&#x3063;&#x3066;&#x5B66;&#x3093;&#x3060;&#x8907;&#x5408;&#x6F14;&#x7B97;&#x5B50;&#x306F;&#x3088;&#x308A;&#x52B9;&#x679C;&#x7684;&#x304B;&#x3064;&#x52B9;&#x7387;&#x7684;&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x691C;&#x51FA;&#x306E;&#x305F;&#x3081;&#x306B;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;

MDL &#x306B;&#x57FA;&#x3065;&#x304F;&#x907A;&#x4F1D;&#x7684;&#x30D7;&#x30ED;&#x30B0;&#x30E9;&#x30DF;&#x30F3;&#x30B0;&#x3092;&#x7528;&#x3044;&#x305F;&#x6A5F;&#x80FD;&#x5408;&#x6210;&#x306B;&#x3088;&#x308B;&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x691C;&#x51FA;&#x3002;

&#xC774; &#xC885;&#xC774; &#xBCF5;&#xD569; &#xC5F0;&#xC0B0;&#xC790;&#xC640; &#xAE30;&#xBCF8; &#xC5F0;&#xC0B0;&#xC758; &#xC870;&#xD569;&#xC5D0;&#xC11C; &#xBCF5;&#xD569; &#xAE30;&#xB2A5; &#xBC0F; &#xAC1C;&#xCCB4; &#xAC80;&#xC0C9;&#xC744; &#xC704;&#xD55C; &#xAE30;&#xBCF8; &#xAE30;&#xB2A5; &#xD569;&#xC131; &#xC720;&#xC804;&#xC790; &#xD504;&#xB85C;&#xADF8;&#xB798;&#xBC0D; (GP)&#xB97C; &#xC0AC;&#xC6A9; &#xD569;&#xB2C8;&#xB2E4;. GP&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC;&#xC5D0; &#xB300; &#xD55C; &#xB3D9;&#xAE30; &#xBD80;&#xC5EC; &#xAE30;&#xB2A5; &#xD569;&#xC131; &#xC791;&#xC5C5;&#xC744; &#xCC98;&#xB9AC; &#xD558;&#xB294; &#xAE30;&#xBCF8; &#xC774;&#xBBF8;&#xC9C0;&#xC758; &#xAE30;&#xC874;&#xC758; &#xC870;&#xD569;&#xC5D0;&#xB9CC; &#xCD08;&#xC810;&#xC744; &#xB9DE;&#xCD94;&#xACE0;&#xC758; &#xC778;&#xAC04; &#xC804;&#xBB38;&#xAC00; &#xB4E4;&#xC758; &#xD55C;&#xACC4;&#xB97C; &#xADF9;&#xBCF5; &#xD558;&#xB294; &#xAC83;. GP&#xB294; &#xC5B4;&#xB5A4; &#xACBD;&#xC6B0;&#xC5D0;&#xB294; &#xC608;&#xC678;&#xC801;&#xC73C;&#xB85C; &#xC88B;&#xC740; &#xACB0;&#xACFC; &#xC5BB;&#xC744; &#xC218; &#xB9CE;&#xC740; &#xAC1C;&#xC131; &#xC788;&#xB294; &#xC870;&#xD569;&#xC744; &#xC2DC;&#xB3C4; &#xD569;&#xB2C8;&#xB2E4;. GP&#xC758; &#xD6A8;&#xC728;&#xC744; &#xD5A5;&#xC0C1; &#xC2DC;&#xD0A4;&#xACE0; GP &#xAC80;&#xC0C9;&#xC5D0; &#xC2EC;&#xAC01;&#xD55C; &#xC81C;&#xD55C;&#xC774; &#xBD80;&#xACFC; &#xD558;&#xC9C0; &#xC54A;&#xACE0; &#xADF8;&#xAC83;&#xC758; &#xC798; &#xC54C;&#xB824;&#xC9C4; &#xCF54;&#xB4DC; &#xBD80; &#xD478;&#xB294; &#xBB38;&#xC81C;&#xB97C; &#xBC29;&#xC9C0;, &#xC6B0;&#xB9AC;&#xB294; &#xC0C8;&#xB85C;&#xC6B4; &#xD53C;&#xD2B8; &#xB2C8;&#xC2A4; &#xAE30;&#xB2A5; &#xD53D;&#xC140; &#xB77C;&#xBCA8; &#xC624;&#xB958; &#xBC0F; &#xBCF5;&#xD569; &#xC5F0;&#xC0B0;&#xC790; &#xD06C;&#xAE30; &#xD53C;&#xD2B8; &#xB2C8;&#xC2A4; &#xD3C9;&#xAC00; &#xACFC;&#xC815;&#xC744; &#xD1B5;&#xD569; &#xCD5C;&#xC18C; &#xC124;&#xBA85; &#xAE38;&#xC774; &#xC6D0;&#xCE59;&#xC5D0; &#xAE30;&#xBC18; &#xB514;&#xC790;&#xC778;. GP, &#xC2A4;&#xB9C8;&#xD2B8; &#xD06C;&#xB85C;&#xC2A4; &#xC624;&#xBC84;&#xC758; &#xD6A8;&#xC728;&#xC131; &#xAC1C;&#xC120; &#xD558;&#xAE30; &#xC704;&#xD574; &#xC2A4;&#xB9C8;&#xD2B8; &#xB3CC;&#xC5F0;&#xBCC0;&#xC774; &#xACF5;&#xACF5; &#xB3C4;&#xC11C;&#xAD00; &#xC544;&#xC774;&#xB514;&#xC5B4; &#xC2DD;&#xBCC4; &#xD558; &#xACE0; &#xBCF5;&#xD569; &#xC5F0;&#xC0B0;&#xC790;&#xC758; &#xD6A8;&#xACFC;&#xC801;&#xC778; &#xAD6C;&#xC131; &#xC694;&#xC18C;&#xB97C; &#xD1B5;&#xD569; &#xB429;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC758; &#xC2E4;&#xD5D8;&#xC5D0; &#xC218;&#xD589; &#xB418;&#xB294; &#xAD50;&#xC721; &#xC2DC;&#xAC04;&#xC744; &#xB2E8;&#xCD95;, &#xC77C;&#xBC18; GP&#xC5D0; &#xBE44;&#xD574; &#xADF8; &#xC1FC;&#xB97C; &#xD6C8;&#xB828; &#xC774;&#xBBF8;&#xC9C0;&#xC758; &#xAD50;&#xC721; &#xC601;&#xC5ED; &#xC120;&#xD0DD; &#xD558; &#xACE0; &#xC6B0;&#xB9AC;&#xC758; GP &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xBCF4;&#xB2E4; &#xC2E0;&#xC18D; &#xD558; &#xAC8C; &#xD6A8;&#xACFC;&#xC801;&#xC778; &#xBCF5;&#xD569; &#xC5F0;&#xC0B0;&#xC790;&#xB97C; &#xCC3E;&#xC2B5;&#xB2C8;&#xB2E4; &#xC804;&#xCCB4; &#xAD50;&#xC721; &#xC774;&#xBBF8;&#xC9C0; &#xBC0F; &#xAE30;&#xD0C0; &#xC720;&#xC0AC;&#xD55C; &#xD14C;&#xC2A4;&#xD2B8; &#xC774;&#xBBF8;&#xC9C0;&#xC5D0; &#xBC30;&#xC6B4;&#xB41C; &#xBCF5;&#xD569; &#xC5F0;&#xC0B0;&#xC790;&#xB97C; &#xC801;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xB610;&#xD55C; GP &#xBC30;&#xC6B4; &#xBCF5;&#xD569; &#xC5F0;&#xC0B0;&#xC790; &#xBCF4;&#xB2E4; &#xD6A8;&#xACFC;&#xC801;&#xC774; &#xACE0; &#xD6A8;&#xC728;&#xC801;&#xC778; &#xAC1C;&#xCCB4; &#xAC80;&#xC0C9;&#xC740; &#xC804;&#xD1B5;&#xC801;&#xC778; &#xAD00;&#xC2EC; &#xC601;&#xC5ED; &#xCD94;&#xCD9C; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC5D0; &#xBE44;&#xD574;.

MDL &#xAE30;&#xBC18; &#xC720;&#xC804;&#xC790; &#xD504;&#xB85C;&#xADF8;&#xB798;&#xBC0D;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xAE30;&#xB2A5; &#xD569;&#xC131;&#xC744; &#xD1B5;&#xD574; &#xAC1C;&#xCCB4; &#xAC80;&#xC0C9;.

En este trabajo, utilizamos la programaci&oacute;n gen&eacute;tica (GP) para sintetizar compuestos operadores y funciones compuestos de combinaciones de operaciones primitivas y caracter&iacute;sticas primitivas para detecci&oacute;n de objetos. La motivaci&oacute;n para el uso de GP es superar las limitaciones de los expertos humanos de centrarse s&oacute;lo en combinaciones convencionales de operaciones en la s&iacute;ntesis de la funci&oacute;n de procesamiento de la imagen primitiva. GP intenta muchas combinaciones no convencionales que en algunos casos resultados excepcionalmente bueno. Para mejorar la eficiencia de GP y evitar su problema de engordar bien conocido c&oacute;digo sin imponer restricci&oacute;n severa en la b&uacute;squeda GP, dise&ntilde;amos una nueva funci&oacute;n de la aptitud basada en principio de longitud m&iacute;nima descripci&oacute;n incorporar tanto el error de etiquetado de p&iacute;xeles y el tama&ntilde;o de un operador de compuestos en el proceso de evaluaci&oacute;n de la aptitud. Para mejorar a&uacute;n m&aacute;s la eficiencia de GP, cruce inteligente, se incorporan mutaci&oacute;n inteligente y una biblioteca p&uacute;blica de ideas para identificar y mantener los componentes eficaces de los operadores compuestos. Seleccionaron de nuestros experimentos, que se realizan en regiones de formaci&oacute;n de una imagen de entrenamiento para reducir el tiempo de entrenamiento, muestran que en comparaci&oacute;n con el normal GP, nuestro algoritmo GP encuentra operadores compuestos eficaces m&aacute;s r&aacute;pidamente y los operadores compuestos aprendidos pueden aplicarse a la imagen de todo entrenamiento y otras im&aacute;genes de pruebas similares. Adem&aacute;s, comparado con un algoritmo de extracci&oacute;n de regiones de inter&eacute;s tradicional, son los operadores compuestos aprendidos por GP m&aacute;s eficaz y eficiente para la detecci&oacute;n de objetos.

Detecci&oacute;n de objetos mediante s&iacute;ntesis de funci&oacute;n mediante programaci&oacute;n gen&eacute;tica basada en el MDL.

&#x76F8;&#x5173;&#x53CD;&#x9988; (RF) &#x662F;&#x4E00;&#x4E2A;&#x4E92;&#x52A8;&#x7684;&#x8FC7;&#x7A0B;&#x6784;&#x6210;&#x7684;&#x67D0;&#x4E2A;&#x7279;&#x5B9A;&#x67E5;&#x8BE2;&#x7684;&#x68C0;&#x7D22;&#x5229;&#x7528;&#x7528;&#x6237;&#x7684;&#x53CD;&#x9988;&#x5BF9;&#x4EE5;&#x524D;&#x68C0;&#x7D22;&#x7684;&#x7ED3;&#x679C;&#x3002;&#x5927;&#x591A;&#x6570;&#x7814;&#x7A76;&#x4EBA;&#x5458;&#x52AA;&#x529B;&#x5F00;&#x53D1;&#x65B0;&#x7684;&#x5C04;&#x9891;&#x6280;&#x672F;&#x548C;&#x5FFD;&#x7565;&#x73B0;&#x6709;&#x7684;&#x4F18;&#x52BF;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x56FE;&#x50CF;&#x76F8;&#x5173;&#x6027;&#x5F3A;&#x5316;&#x5B66;&#x4E60;&#x96C6;&#x6210;&#x5728;&#x4E00;&#x4E2A;&#x57FA;&#x4E8E;&#x5185;&#x5BB9;&#x7684;&#x56FE;&#x50CF;&#x68C0;&#x7D22;&#x7CFB;&#x7EDF;&#x4E2D;&#x7684;&#x73B0;&#x6709;&#x5C04;&#x9891;&#x6280;&#x672F; (IRRL) &#x6A21;&#x578B;&#x3002;&#x5217;&#x51FA;&#x4E86;&#x5404;&#x79CD;&#x4E00;&#x4F53;&#x5316;&#x8BA1;&#x5212;&#x548C;&#x957F;&#x671F;&#x7684;&#x5171;&#x4EAB;&#x7684;&#x5185;&#x5B58;&#x7528;&#x6765;&#x5229;&#x7528;&#x591A;&#x4E2A;&#x7528;&#x6237;&#x7684;&#x68C0;&#x7D22;&#x7ECF;&#x9A8C;&#x3002;&#x53E6;&#x5916;&#xFF0C;&#x6D88;&#x5316;&#x65B9;&#x6CD5;&#x6982;&#x5FF5;&#x62DF;&#x964D;&#x4F4E;&#x5B58;&#x50A8;&#x9700;&#x6C42;&#x7684;&#x590D;&#x6742;&#x6027;&#x3002;&#x5B9E;&#x9A8C;&#x7684;&#x7ED3;&#x679C;&#x6E05;&#x5355;&#x6574;&#x5408;&#x591A;&#x4E2A;&#x5C04;&#x9891;&#x65B9;&#x6CD5;&#x7ED9;&#x51FA;&#x66F4;&#x597D;&#x7684;&#x68C0;&#x7D22;&#x6027;&#x80FD;&#x6BD4;&#x4F7F;&#x7528;&#x4E00;&#x4E2A;&#x5C04;&#x9891;&#x6280;&#x672F;&#x672C;&#x8EAB;&#xFF0C;&#x548C;&#x5171;&#x4EAB;&#x591A;&#x4E2A;&#x67E5;&#x8BE2;&#x4F1A;&#x8BDD;&#x4E4B;&#x95F4;&#x7684;&#x76F8;&#x5173;&#x6027;&#x77E5;&#x8BC6;&#x5927;&#x5927;&#x63D0;&#x9AD8;&#x4E86;&#x6027;&#x80FD;&#x3002;&#x6B64;&#x5916;&#xFF0C;&#x5B58;&#x50A8;&#x9700;&#x6C42;&#x5927;&#x5927;&#x51CF;&#x5C11;&#x7531;&#x6D88;&#x5316;&#x6280;&#x672F;&#x7684;&#x6982;&#x5FF5;&#x3002;&#x8FD9;&#x663E;&#x793A;&#x62DF;&#x8BAE;&#x7684;&#x6A21;&#x5F0F;&#x4E0E;&#x6570;&#x636E;&#x5E93;&#x589E;&#x52A0;&#x5927;&#x5C0F;&#x7684;&#x53EF;&#x4F38;&#x7F29;&#x6027;&#x3002;

&#x7ED3;&#x5408;&#x4F7F;&#x7528;&#x5F3A;&#x5316;&#x5B66;&#x4E60;&#x7684;&#x56FE;&#x50CF;&#x68C0;&#x7D22;&#x76F8;&#x5173;&#x53CD;&#x9988;&#x6280;&#x672F;&#x3002;

Relevance feedback (RF) is an interactive process which refines the retrievals to a particular query by utilizing the user's feedback on previously retrieved results. Most researchers strive to develop new RF techniques and ignore the advantages of existing ones. In this paper, we propose an image relevance reinforcement learning (IRRL) model for integrating existing RF techniques in a content-based image retrieval system. Various integration schemes are presented and a long-term shared memory is used to exploit the retrieval experience from multiple users. Also, a concept digesting method is proposed to reduce the complexity of storage demand. The experimental results manifest that the integration of multiple RF approaches gives better retrieval performance than using one RF technique alone, and that the sharing of relevance knowledge between multiple query sessions significantly improves the performance. Further, the storage demand is significantly reduced by the concept digesting technique. This shows the scalability of the proposed model with the increasing-size of database.

Integrating relevance feedback techniques for image retrieval using reinforcement learning.

R&eacute;troaction de pertinence (RF) est un processus interactif qui affine les r&eacute;cup&eacute;rations pour une requ&ecirc;te particuli&egrave;re ex&eacute;cut&eacute;e en utilisant la r&eacute;troaction de l&#39;utilisateur sur des r&eacute;sultats r&eacute;cup&eacute;r&eacute;es pr&eacute;c&eacute;demment. La plupart des chercheurs s&#39;efforcent de d&eacute;velopper de nouvelles techniques de RF et d&#39;ignorer les avantages de ceux qui existent d&eacute;j&agrave;. Dans cet article, nous vous proposons un renforcement de l&#39;int&eacute;r&ecirc;t pour image mod&egrave;le (IRRL) pour int&eacute;grer les techniques existantes de RF dans un syst&egrave;me de r&eacute;cup&eacute;ration d&#39;image bas&eacute;e sur le contenu d&#39;apprentissage. Divers syst&egrave;mes d&#39;int&eacute;gration sont pr&eacute;sent&eacute;s et une m&eacute;moire partag&eacute;e &agrave; long terme est utilis&eacute; pour exploiter l&#39;exp&eacute;rience de la r&eacute;cup&eacute;ration de plusieurs utilisateurs. En outre, un concept m&eacute;thode de digestion est propos&eacute; pour r&eacute;duire la complexit&eacute; de la demande de stockage. Les r&eacute;sultats exp&eacute;rimentaux manifestent que l&#39;int&eacute;gration d&#39;approches multiples de RF donne de meilleures performances de r&eacute;cup&eacute;ration que d&#39;utiliser une technique de RF seule, et que le partage des connaissances pertinence entre plusieurs sessions de requ&ecirc;te nettement am&eacute;liore les performances. En outre, la demande de stockage est consid&eacute;rablement r&eacute;duite par le concept technique de digestion. Cela montre l&#39;extensibilit&eacute; du mod&egrave;le propos&eacute; avec la taille croissante de la base de donn&eacute;es.

Int&eacute;gration des techniques de r&eacute;troaction de pertinence pour l&#39;image retrieval using reinforcement learning.

Relevanz-Feedback (RF) ist ein interaktiver Prozess, der die Abrufe zu einer bestimmten Abfrage verfeinert durch die Verwendung der Benutzer-Feedback auf zuvor abgerufenen Ergebnissen. Die meisten Forscher sind bestrebt, neue RF-Techniken zu entwickeln und die Vorteile bestehender zu ignorieren. In diesem Papier schlagen wir eine Bild-Relevanz-Verst&auml;rkung lernen (IRRL) Modell f&uuml;r die Integration von vorhandene RF-Techniken in einem Retrievalsystem inhaltsbasierte Bild. Verschiedene Integrationssystemen werden vorgestellt und ein langfristiger shared Memory wird verwendet, um die Abruf-Erfahrungen von mehreren Benutzern genutzt. Au&szlig;erdem ist ein Konzept verdauen Methode vorgeschlagen, um die Komplexit&auml;t der Speicheranforderungen zu verringern. Die experimentellen Ergebnisse zeigen, dass die Integration von mehreren RF-Ans&auml;tze besser Abruf-Performance als mit einem RF-Technik allein erhalten und die Verbreitung des Wissens der Relevanz zwischen mehreren Abfrage Sitzungen deutlich verbessert die Leistung. Dar&uuml;ber hinaus wird die Speicheranforderungen durch das Konzept verdauen Technik erheblich reduziert. Dies zeigt die Skalierbarkeit des vorgeschlagenen Modells mit der zunehmenden Gr&ouml;&szlig;e der Datenbank.

Relevanz-Feedback-Techniken f&uuml;r Image Retrieval mit Reinforcement Learning zu integrieren.

Feedback di pertinenza (RF) &egrave; un processo interattivo che affina i recuperi ad una particolare query utilizzando il feedback dell&#39;utente sui risultati precedentemente recuperati. La maggior parte dei ricercatori si sforzano di sviluppare nuove tecniche di RF e ignorare i vantaggi di quelli esistenti. In questa carta, proponiamo un rinforzo di pertinenza immagine modello (IRRL) per l&#39;integrazione di tecniche di RF esistenti in un sistema di recupero di immagine basata sul contenuto di apprendimento. Vengono presentati vari schemi di integrazione e una memoria condivisa a lungo termine &egrave; utilizzato per sfruttare l&#39;esperienza di recupero da pi&ugrave; utenti. Inoltre, un concetto di digerire il metodo &egrave; proposto di ridurre la complessit&agrave; della richiesta di archiviazione. I risultati sperimentali manifestano che l&#39;integrazione di molteplici approcci RF d&agrave; prestazioni migliori del recupero rispetto all&#39;utilizzo di una tecnica di RF da solo, e che la condivisione delle conoscenze di pertinenza tra pi&ugrave; sessioni di query notevolmente migliora le prestazioni. Ulteriormente, la richiesta di archiviazione &egrave; significativamente ridotta dal concetto di digestione tecnica. Questo dimostra la scalabilit&agrave; del modello proposto con l&#39;aumento-della dimensione del database.

Integrazione di tecniche di feedback di rilevanza per il recupero di immagine tramite apprendimento di rinforzo.

&#x9069;&#x5408;&#x6027;&#x30D5;&#x30A3;&#x30FC;&#x30C9;&#x30D0;&#x30C3;&#x30AF; (RF) &#x306F;&#x3001;&#x4EE5;&#x524D;&#x306B;&#x53D6;&#x5F97;&#x3057;&#x305F;&#x7D50;&#x679C;&#x3001;&#x30E6;&#x30FC;&#x30B6;&#x30FC;&#x306E;&#x30D5;&#x30A3;&#x30FC;&#x30C9;&#x30D0;&#x30C3;&#x30AF;&#x3092;&#x6D3B;&#x7528;&#x3057;&#x3066;&#x7279;&#x5B9A;&#x306E;&#x30AF;&#x30A8;&#x30EA;&#x691C;&#x7D22;&#x3092;&#x7CBE;&#x88FD;&#x5BFE;&#x8A71;&#x578B;&#x306E;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x3067;&#x3059;&#x3002;&#x307B;&#x3068;&#x3093;&#x3069;&#x306E;&#x7814;&#x7A76;&#x8005;&#x306F;&#x65B0;&#x3057;&#x3044; RF &#x6280;&#x8853;&#x3092;&#x958B;&#x767A;&#x3057;&#x3001;&#x65E2;&#x5B58;&#x306E;&#x3082;&#x306E;&#x306E;&#x5229;&#x70B9;&#x3092;&#x7121;&#x8996;&#x3059;&#x308B;&#x306E;&#x306B;&#x52AA;&#x3081;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x65E2;&#x5B58;&#x306E; RF &#x6280;&#x8853;&#x30B3;&#x30F3;&#x30C6;&#x30F3;&#x30C4; &#x30D9;&#x30FC;&#x30B9;&#x306E;&#x753B;&#x50CF;&#x691C;&#x7D22;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x306E;&#x7D71;&#x5408; &#xFF08;IRRL&#xFF09; &#x30E2;&#x30C7;&#x30EB;&#x3092;&#x5B66;&#x7FD2;&#x753B;&#x50CF;&#x95A2;&#x9023;&#x6027;&#x5F37;&#x5316;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x3055;&#x307E;&#x3056;&#x307E;&#x306A;&#x7D71;&#x5408;&#x30B9;&#x30AD;&#x30FC;&#x30E0;&#x304C;&#x8868;&#x793A;&#x3055;&#x308C;&#x3001;&#x9577;&#x671F;&#x7684;&#x306A;&#x5171;&#x6709;&#x30E1;&#x30E2;&#x30EA;&#x8907;&#x6570;&#x306E;&#x30E6;&#x30FC;&#x30B6;&#x30FC;&#x304B;&#x3089;&#x306E;&#x691C;&#x7D22;&#x4F53;&#x9A13;&#x3092;&#x60AA;&#x7528;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3057;&#x307E;&#x3059;&#x3002;&#x307E;&#x305F;&#x3001;&#x6D88;&#x5316;&#x6CD5;&#x6982;&#x5FF5;&#x30B9;&#x30C8;&#x30EC;&#x30FC;&#x30B8;&#x9700;&#x8981;&#x306E;&#x8907;&#x96D1;&#x3055;&#x3092;&#x8EFD;&#x6E1B;&#x3059;&#x308B;&#x63D0;&#x6848;&#x3057;&#x307E;&#x3059;&#x3002;&#x5B9F;&#x9A13;&#x306E;&#x7D50;&#x679C;&#x306F;&#x3001;&#x8907;&#x6570;&#x306E; RF &#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306E;&#x7D71;&#x5408;&#x3088;&#x308A;&#x3082; 1 &#x3064;&#x306E; RF &#x6280;&#x8853;&#x3060;&#x3051;&#x3067;&#x3001;&#x691C;&#x7D22;&#x30D1;&#x30D5;&#x30A9;&#x30FC;&#x30DE;&#x30F3;&#x30B9;&#x3092;&#x4E0E;&#x3048;&#x308B;&#x3057;&#x3001;&#x306E;&#x8907;&#x6570;&#x306E;&#x30AF;&#x30A8;&#x30EA; &#x30BB;&#x30C3;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x9593;&#x306E;&#x95A2;&#x9023;&#x5EA6;&#x306E;&#x77E5;&#x8B58;&#x3092;&#x5927;&#x5E45;&#x306B;&#x5171;&#x6709;&#x3057;&#x3066;&#x3082;&#x30D1;&#x30D5;&#x30A9;&#x30FC;&#x30DE;&#x30F3;&#x30B9;&#x304C;&#x5411;&#x4E0A;&#x30DE;&#x30CB;&#x30D5;&#x30A7;&#x30B9;&#x30C8;&#x3057;&#x307E;&#x3059;&#x3002;&#x3055;&#x3089;&#x306B;&#x3001;&#x30B9;&#x30C8;&#x30EC;&#x30FC;&#x30B8;&#x9700;&#x8981;&#x306F;&#x30C0;&#x30A4;&#x30B8;&#x30A7;&#x30B9;&#x30C8;&#x624B;&#x6CD5;&#x6982;&#x5FF5;&#x306B;&#x3088;&#x3063;&#x3066;&#x5927;&#x5E45;&#x306B;&#x524A;&#x6E1B;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x306F;&#x3001;&#x63D0;&#x6848;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x30B9;&#x30B1;&#x30FC;&#x30E9;&#x30D3;&#x30EA;&#x30C6;&#x30A3;&#x5897;&#x52A0;&#x30B5;&#x30A4;&#x30BA;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x5F37;&#x5316;&#x5B66;&#x7FD2;&#x3092;&#x7528;&#x3044;&#x305F;&#x753B;&#x50CF;&#x691C;&#x7D22;&#x306E;&#x305F;&#x3081;&#x306E;&#x95A2;&#x9023;&#x6027;&#x30D5;&#x30A3;&#x30FC;&#x30C9;&#x30D0;&#x30C3;&#x30AF;&#x6280;&#x8853;&#x3092;&#x7D71;&#x5408;&#x3057;&#x307E;&#x3059;&#x3002;

&#xAD00;&#xB828;&#xC131; &#xD53C;&#xB4DC;&#xBC31; (RF) &#xC774;&#xC804;&#xC5D0; &#xAC80;&#xC0C9; &#xB41C; &#xACB0;&#xACFC;&#xC5D0; &#xB300; &#xD55C; &#xC0AC;&#xC6A9;&#xC790;&#xC758; &#xD53C;&#xB4DC;&#xBC31;&#xC744; &#xD65C;&#xC6A9; &#xD558; &#xC5EC; &#xD2B9;&#xC815; &#xCFFC;&#xB9AC;&#xB97C; &#xAC80;&#xC0C9;&#xC744; &#xD1B5;&#xD574; &#xC0DD;&#xC0DD;&#xD55C; &#xC30D;&#xBC29;&#xD5A5; &#xACFC;&#xC815; &#xC774;&#xB2E4;. &#xB300;&#xBD80;&#xBD84;&#xC758; &#xC5F0;&#xAD6C; &#xC790;&#xB4E4;&#xC740; &#xC0C8;&#xB85C;&#xC6B4; RF &#xAE30;&#xC220;&#xC744; &#xAC1C;&#xBC1C; &#xD558; &#xACE0; &#xAE30;&#xC874;&#xC758; &#xAC83; &#xB4E4;&#xC758; &#xC7A5;&#xC810;&#xC744; &#xBB34;&#xC2DC; &#xD558;&#xB824;&#xACE0; &#xB178;&#xB825; &#xD569;&#xB2C8;&#xB2E4;. &#xC774; &#xB17C;&#xBB38;&#xC5D0;&#xC11C;&#xB294; &#xB0B4;&#xC6A9; &#xAE30;&#xBC18; &#xC774;&#xBBF8;&#xC9C0; &#xAC80;&#xC0C9; &#xC2DC;&#xC2A4;&#xD15C;&#xC5D0; &#xAE30;&#xC874; RF &#xAE30;&#xC220;&#xC744; &#xD1B5;&#xD569; (IRRL) &#xBAA8;&#xB378;&#xC744; &#xD559;&#xC2B5; &#xC774;&#xBBF8;&#xC9C0; &#xAD00;&#xB828;&#xC131; &#xAC15;&#xD654;&#xB97C; &#xC81C;&#xC548; &#xD55C;&#xB2E4;. &#xB2E4;&#xC591; &#xD55C; &#xD1B5;&#xD569; &#xCCB4;&#xACC4;&#xB97C; &#xC81C;&#xC2DC; &#xD558;&#xB294; &#xACE0; &#xC7A5;&#xAE30; &#xACF5;&#xC720; &#xBA54;&#xBAA8;&#xB9AC;&#xB294; &#xC5EC;&#xB7EC; &#xC0AC;&#xC6A9;&#xC790;&#xC758; &#xAC80;&#xC0C9; &#xACBD;&#xD5D8;&#xC744; &#xC545;&#xC6A9; &#xD558;&#xB294; &#xB370; &#xC0AC;&#xC6A9; &#xD569;&#xB2C8;&#xB2E4;. &#xB610;&#xD55C;, &#xC18C;&#xD654; &#xBC29;&#xBC95; &#xAC1C;&#xB150;&#xC740; &#xC2A4;&#xD1A0;&#xB9AC;&#xC9C0; &#xC218;&#xC694;&#xC758; &#xBCF5;&#xC7A1;&#xC131;&#xC744; &#xC904;&#xC774;&#xAE30; &#xC704;&#xD574; &#xC81C;&#xC548; &#xD569;&#xB2C8;&#xB2E4;. &#xC2E4;&#xD5D8; &#xACB0;&#xACFC; &#xC5EC;&#xB7EC; RF &#xBC29;&#xC2DD;&#xC758; &#xD1B5;&#xD569;, &#xD558;&#xB098;&#xC758; RF &#xAE30;&#xC220;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xBCF4;&#xB2E4; &#xB354; &#xB098;&#xC740; &#xAC80;&#xC0C9; &#xC131;&#xB2A5;&#xC744; &#xC81C;&#xACF5; &#xD558; &#xACE0; &#xADF8; &#xC131;&#xB2A5;&#xC744; &#xD5A5;&#xC0C1; &#xD06C;&#xAC8C; &#xC5EC;&#xB7EC; &#xCFFC;&#xB9AC; &#xC138;&#xC158; &#xAC04;&#xC5D0; &#xAD00;&#xB828;&#xC131; &#xC9C0;&#xC2DD;&#xC758; &#xACF5;&#xC720; &#xB9E4;&#xB2C8; &#xD398;&#xC2A4;&#xD2B8;. &#xB610;&#xD55C;, &#xC2A4;&#xD1A0;&#xB9AC;&#xC9C0; &#xC218;&#xC694; &#xD06C;&#xAC8C; &#xAE30;&#xC220;&#xC744; &#xC18C;&#xD654; &#xD558;&#xB294; &#xAC1C;&#xB150;&#xC73C;&#xB85C; &#xC904;&#xC5B4;&#xB4ED;&#xB2C8;&#xB2E4;. &#xC774; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4;&#xC758; &#xC99D;&#xAC00; &#xD06C;&#xAE30;&#xC640; &#xC81C;&#xC548; &#xB41C; &#xBAA8;&#xB378;&#xC758; &#xD655;&#xC7A5;&#xC131;&#xC744; &#xBCF4;&#xC5EC; &#xC90D;&#xB2C8;&#xB2E4;.

&#xAC15;&#xD654; &#xD559;&#xC2B5;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC774;&#xBBF8;&#xC9C0; &#xAC80;&#xC0C9;&#xC5D0; &#xB300; &#xD55C; &#xAD00;&#xB828;&#xC131; &#xD53C;&#xB4DC;&#xBC31; &#xAE30;&#xC220;&#xC744; &#xD1B5;&#xD569; &#xD569;&#xB2C8;&#xB2E4;.

Retroalimentaci&oacute;n de relevancia (RF) es un proceso interactivo que refina las recuperaciones a una consulta particular utilizando la retroalimentaci&oacute;n del usuario previamente retrieved resultados. Mayor&iacute;a de los investigadores se esfuerza por desarrollar nuevas t&eacute;cnicas de RF e ignorar las ventajas de los existentes. En este trabajo proponemos un refuerzo de la relevancia de imagen modelo (IRRL) para la integraci&oacute;n de t&eacute;cnicas de RF existentes en un sistema de recuperaci&oacute;n de imagen basado en el contenido de aprendizaje. Se presentan varios esquemas de integraci&oacute;n y una memoria compartida a largo plazo se utiliza para explotar la experiencia de recuperaci&oacute;n de usuarios m&uacute;ltiples. Tambi&eacute;n, se propone un concepto de digerir el m&eacute;todo para reducir la complejidad de la demanda de almacenamiento de informaci&oacute;n. Los resultados experimentales manifiestan que la integraci&oacute;n de m&uacute;ltiples enfoques RF da mejor rendimiento de recuperaci&oacute;n que utilizando una t&eacute;cnica de RF sola, y que el intercambio de conocimientos de relevancia entre m&uacute;ltiples sesiones de consulta significativamente mejora el rendimiento. Adem&aacute;s, la demanda de almacenamiento se reduce significativamente por el concepto de t&eacute;cnica de digerir. Esto demuestra la escalabilidad del modelo propuesto con el aumento de tama&ntilde;o de base de datos.

Integraci&oacute;n de t&eacute;cnicas de retroalimentaci&oacute;n de relevancia para la recuperaci&oacute;n de la imagen mediante el aprendizaje de refuerzo.

&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x65B0;&#x65F6;&#x7A7A;&#x7684;&#x6B65;&#x6001;&#x8868;&#x793A;&#xFF0C;&#x53EB;&#x505A;&#x6B65;&#x6001;&#x80FD;&#x91CF;&#x56FE;&#x50CF; (GEI)&#xFF0C;&#x5B83;&#x7684;&#x6B65;&#x6001;&#x7279;&#x5F81;&#x7684;&#x4E2A;&#x4F53;&#x8BC6;&#x522B;&#x4EBA;&#x7C7B;&#x884C;&#x8D70;&#x5C5E;&#x6027;&#x3002;&#x4E3A;&#x89E3;&#x51B3;&#x7F3A;&#x4E4F;&#x57F9;&#x8BAD;&#x6A21;&#x677F;&#x7684;&#x95EE;&#x9898;&#xFF0C;&#x6211;&#x4EEC;&#x4EA6;&#x5EFA;&#x8BAE;&#x4E00;&#x79CD;&#x65B0;&#x65B9;&#x6CD5;&#x5BF9;&#x4EBA;&#x6027;&#x7684;&#x8BA4;&#x8BC6;&#x7ED3;&#x5408;&#x7EDF;&#x8BA1;&#x7684;&#x6B65;&#x6001;&#x7279;&#x5F81;&#x4ECE;&#x771F;&#x6B63;&#x7684;&#x548C;&#x5408;&#x6210;&#x7684;&#x6A21;&#x677F;&#x3002;&#x867D;&#x7136;&#x6211;&#x4EEC;&#x901A;&#x8FC7;&#x6A21;&#x62DF;&#x4FA7;&#x9762;&#x5F71;&#x50CF;&#x5931;&#x771F;&#x4ECE;&#x8BAD;&#x7EC3;&#x5E8F;&#x5217;&#x751F;&#x6210;&#x5408;&#x6210;&#x7684;&#x6A21;&#x677F;&#xFF0C;&#x6211;&#x4EEC;&#x76F4;&#x63A5;&#x8BA1;&#x7B97;&#x8BAD;&#x7EC3;&#x526A;&#x5F71;&#x5E8F;&#x5217;&#xFF0C;&#x4ECE;&#x771F;&#x6B63;&#x7684;&#x6A21;&#x677F;&#x3002;&#x6211;&#x4EEC;&#x5229;&#x7528;&#x7EDF;&#x8BA1;&#x65B9;&#x6CD5;&#x5B66;&#x4E60;&#x6709;&#x6548;&#x7684;&#x529F;&#x80FD;&#xFF0C;&#x4ECE;&#x771F;&#x6B63;&#x7684;&#x548C;&#x5408;&#x6210;&#x7684;&#x6A21;&#x677F;&#x3002;&#x6211;&#x4EEC;&#x5C06;&#x4E0E;&#x5176;&#x4ED6; USF HumanID Database &#x4E0A;&#x7684;&#x6B65;&#x6001;&#x8BC6;&#x522B;&#x65B9;&#x6CD5;&#x7684;&#x5EFA;&#x8BAE;&#x57FA;&#x4E8E; GEI &#x7684;&#x6B65;&#x6001;&#x8BC6;&#x522B;&#x65B9;&#x6CD5;&#x8FDB;&#x884C;&#x6BD4;&#x8F83;&#x3002;&#x5B9E;&#x9A8C;&#x7ED3;&#x679C;&#x8868;&#x660E;&#x62DF;&#x8BAE;&#x7684; GEI &#x662F;&#x4E2A;&#x4F53;&#x8BC6;&#x522B;&#x4E3A;&#x6709;&#x6548;&#x548C;&#x9AD8;&#x6548;&#x7387;&#x7684;&#x6B65;&#x6001;&#x8868;&#x793A;&#xFF0C;&#x62DF;&#x8BAE;&#x7684;&#x529E;&#x6CD5;&#x8FBE;&#x5230;&#x9AD8;&#x5EA6;&#x7ADE;&#x4E89;&#x7684;&#x5DF2;&#x53D1;&#x5E03;&#x7684;&#x6B65;&#x6001;&#x8BC6;&#x522B;&#x65B9;&#x6CD5;&#x7B49;&#x65B9;&#x9762;&#x7684;&#x8868;&#x73B0;&#x3002;

&#x4F7F;&#x7528;&#x6B65;&#x6001;&#x80FD;&#x91CF;&#x56FE;&#x50CF;&#x7684;&#x4E2A;&#x4F53;&#x8BC6;&#x522B;&#x3002;

In this paper, we propose a new spatio-temporal gait representation, called Gait Energy Image (GEI), to characterize human walking properties for individual recognition by gait. To address the problem of the lack of training templates, we also propose a novel approach for human recognition by combining statistical gait features from real and synthetic templates. We directly compute the real templates from training silhouette sequences, while we generate the synthetic templates from training sequences by simulating silhouette distortion. We use a statistical approach for learning effective features from real and synthetic templates. We compare the proposed GEI-based gait recognition approach with other gait recognition approaches on USF HumanID Database. Experimental results show that the proposed GEI is an effective and efficient gait representation for individual recognition, and the proposed approach achieves highly competitive performance with respect to the published gait recognition approaches.

Individual recognition using gait energy image.

Dans cet article, nous vous proposons une nouvelle repr&eacute;sentation de la d&eacute;marche spatio-temporelle, appel&eacute;e la d&eacute;marche &eacute;nergie Image (GEI), afin de caract&eacute;riser les propri&eacute;t&eacute;s marche humaines pour la reconnaissance individuelle par la d&eacute;marche. Pour r&eacute;soudre le probl&egrave;me du manque de mod&egrave;les de formation, nous proposons &eacute;galement une nouvelle approche pour la reconnaissance humaine en combinant les caract&eacute;ristiques de la d&eacute;marche statistique de mod&egrave;les v&eacute;ritables et synth&eacute;tiques. Nous calculons directement les mod&egrave;les r&eacute;els de s&eacute;quences de formation de silhouette, alors que nous g&eacute;n&eacute;rons les mod&egrave;les synth&eacute;tiques de s&eacute;quences d&#39;entra&icirc;nement en simulant la d&eacute;formation de la silhouette. Nous utilisons une approche statistique pour l&#39;apprentissage des dispositifs efficaces de mod&egrave;les v&eacute;ritables et synth&eacute;tiques. Nous comparons l&#39;approche de reconnaissance du projet d&eacute;marche ax&eacute;e sur le GEI avec d&#39;autres approches de la reconnaissance de d&eacute;marche sur la base de donn&eacute;es de USF HumanID. R&eacute;sultats exp&eacute;rimentaux montrent que le GEI propos&eacute;e est une repr&eacute;sentation d&#39;une d&eacute;marche efficace et efficient pour la reconnaissance individuelle, et l&#39;approche propos&eacute;e atteint des performances tr&egrave;s comp&eacute;titif en ce qui concerne les approches de reconnaissance d&eacute;marche publi&eacute;es.

Reconnaissance individuelle utilisant d&eacute;marche &eacute;nergie image.

In diesem Papier schlagen wir eine neue r&auml;umlich-zeitliche Gang-Darstellung, genannt Gangart Energie Bild (GEI), um Menschen zu Fu&szlig; Eigenschaften f&uuml;r individuelle Anerkennung von Gait zu charakterisieren. Um das Problem des Mangels an Ausbildung Vorlagen zu begegnen, schlagen wir auch einen neuen Ansatz f&uuml;r menschliche Anerkennung durch die Kombination von statistischen Gangart Features aus echten und synthetischen Vorlagen. Wir berechnen direkt die realen Vorlagen aus Training Kontur Sequenzen, w&auml;hrend wir die synthetischen Vorlagen aus Training Sequenzen generieren, durch die Simulation von Kontur Verzerrung. Wir verwenden einen statistischen Ansatz zum Lernen wirksamer Funktionen aus echten und synthetischen Vorlagen. Wir vergleichen den vorgeschlagenen GEI-basierte Gangart Anerkennung Ansatz mit anderen Gang Anerkennung Ans&auml;tze f&uuml;r USF HID-Datenbank. Experimentellen Ergebnisse zeigen, dass die vorgeschlagenen GEI eine effektive und effiziente Gang-Darstellung f&uuml;r einzelne Anerkennung ist, und der vorgeschlagene Ansatz hart umk&auml;mpften Performance in Bezug auf die ver&ouml;ffentlichte Gangart Anerkennung Ans&auml;tze erreicht.

Spenderanerkennung Gang-Energie-Bild verwenden.

In questo articolo, vi proponiamo una nuova rappresentazione spazio-temporale dell&#39;andatura, chiamata andatura energia immagine (GEI), per caratterizzare le propriet&agrave; umana a piedi per il riconoscimento individuale di andatura. Per risolvere il problema della mancanza di modelli di formazione, proponiamo anche un nuovo approccio per il riconoscimento umano combinando funzionalit&agrave; statistiche andatura da modelli reali e sintetici. Calcolare direttamente i modelli reali da sequenze di allenamento silhouette, mentre noi generare i modelli sintetici da sequenze di allenamento simulando distorsione silhouette. Usiamo un approccio statistico per l&#39;apprendimento efficace caratteristiche da modelli reali e sintetici. Confrontiamo l&#39;approccio di riconoscimento proposto GEI-based andatura con altri approcci di riconoscimento andatura USF HumanID database. Risultati sperimentali mostrano che il proposto GEI &egrave; una rappresentazione di andatura efficace ed efficiente per il riconoscimento individuale, e l&#39;approccio proposto raggiunge prestazioni altamente competitiva per quanto riguarda gli approcci di riconoscimento andatura pubblicato.

Riconoscimento individuale usando l&#39;immagine di energia dell&#39;andatura.

&#x6B69;&#x884C;&#x30A8;&#x30CD;&#x30EB;&#x30AE;&#x30FC;&#x753B;&#x50CF; (&#x500B;&#x3005; &#x306E;&#x8A8D;&#x8B58;&#x306E;&#x305F;&#x3081;&#x306E;&#x4EBA;&#x9593;&#x306E;&#x6B69;&#x884C;&#x30D7;&#x30ED;&#x30D1;&#x30C6;&#x30A3;&#x306B;&#x3088;&#x308B;&#x6B69;&#x884C;&#x3092;&#x7279;&#x5FB4;&#x3065;&#x3051;&#x308B; GEI&#xFF09; &#x3068;&#x547C;&#x3070;&#x308C;&#x308B;&#x65B0;&#x3057;&#x3044;&#x6642;&#x7A7A;&#x9593;&#x7684;&#x6B69;&#x884C;&#x8868;&#x73FE;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x30C8;&#x30EC;&#x30FC;&#x30CB;&#x30F3;&#x30B0; &#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x306E;&#x6B20;&#x5982;&#x306E;&#x554F;&#x984C;&#x306B;&#x5BFE;&#x51E6;&#x3059;&#x308B;&#x306B;&#x306F;&#x3001;&#x307E;&#x305F;&#x65B0;&#x305F;&#x306A;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x4EBA;&#x9593;&#x306E;&#x8A8D;&#x8B58;&#x306E;&#x305F;&#x3081;&#x73FE;&#x5B9F;&#x3068;&#x5408;&#x6210;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x304B;&#x3089;&#x7D71;&#x8A08;&#x7684;&#x6B69;&#x884C;&#x6A5F;&#x80FD;&#x3092;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x308B;&#x3053;&#x3068;&#x3067;. &#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x30B7;&#x30EB;&#x30A8;&#x30C3;&#x30C8;&#x306E;&#x3086;&#x304C;&#x307F;&#x3092;&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30C8;&#x3059;&#x308B;&#x3053;&#x3068;&#x306B;&#x3088;&#x308A;&#x3001;&#x5408;&#x6210;&#x306E;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x304B;&#x3089;&#x30C8;&#x30EC;&#x30FC;&#x30CB;&#x30F3;&#x30B0;&#x7CFB;&#x5217;&#x3092;&#x751F;&#x6210;&#x3057;&#x306A;&#x304C;&#x3089;&#x6211;&#x3005; &#x306F;&#x76F4;&#x63A5;&#x30C8;&#x30EC;&#x30FC;&#x30CB;&#x30F3;&#x30B0; &#x30B7;&#x30EB;&#x30A8;&#x30C3;&#x30C8; &#x30B7;&#x30FC;&#x30B1;&#x30F3;&#x30B9;&#x304B;&#x3089;&#x5B9F;&#x969B;&#x306E;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x3092;&#x8A08;&#x7B97;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x73FE;&#x5B9F;&#x3068;&#x5408;&#x6210;&#x306E;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x304B;&#x3089;&#x306E;&#x52B9;&#x679C;&#x7684;&#x306A;&#x6A5F;&#x80FD;&#x3092;&#x5B66;&#x7FD2;&#x3059;&#x308B;&#x305F;&#x3081;&#x7D71;&#x8A08;&#x7684;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F; GEI &#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x63D0;&#x6848;&#x3055;&#x308C;&#x305F;&#x6B69;&#x884C;&#x8A8D;&#x8B58;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x4ED6;&#x6B69;&#x884C;&#x8A8D;&#x8B58;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1; USF &#x7ACB;&#x3061;&#x4E0A;&#x3052;&#x3066;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9;&#x4E0A;&#x3067;&#x6BD4;&#x8F03;&#x3057;&#x307E;&#x3059;&#x3002;&#x5B9F;&#x9A13;&#x3067;&#x306F;&#x63D0;&#x6848;&#x306E;&#x30B8;&#x30A4;&#x306F;&#x52B9;&#x679C;&#x7684;&#x304B;&#x3064;&#x52B9;&#x7387;&#x7684;&#x306A;&#x6B69;&#x884C;&#x8868;&#x73FE;&#x500B;&#x3005; &#x306E;&#x8A8D;&#x8B58;&#x306E;&#x305F;&#x3081;&#x3067;&#x3001;&#x7AF6;&#x4E89;&#x529B;&#x306E;&#x9AD8;&#x3044;&#x6027;&#x80FD;&#x516C;&#x958B;&#x3055;&#x308C;&#x305F;&#x6B69;&#x884C;&#x8A8D;&#x8B58;&#x624B;&#x6CD5;&#x306B;&#x95A2;&#x3057;&#x3066;&#x63D0;&#x6848;&#x3055;&#x308C;&#x305F;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x5B9F;&#x73FE;. &#x3057;&#x307E;&#x3059;&#x3002;

&#x6B69;&#x884C;&#x30A8;&#x30CD;&#x30EB;&#x30AE;&#x30FC;&#x753B;&#x50CF;&#x3092;&#x7528;&#x3044;&#x305F;&#x500B;&#x4EBA;&#x8A8D;&#x8B58;&#x3002;

&#xC774; &#xB17C;&#xBB38;&#xC5D0;&#xC11C;&#xB294; &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xC5D0;&#xB108;&#xC9C0; &#xC774;&#xBBF8;&#xC9C0; (GEI), &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xD558; &#xC5EC; &#xAC1C;&#xBCC4; &#xC778;&#xC2DD;&#xC5D0; &#xB300; &#xD55C; &#xC778;&#xAC04;&#xC758; &#xAC77;&#xB294; &#xC18D;&#xC131;&#xC758; &#xD2B9;&#xC131;&#xC744; &#xB77C;&#xB294; &#xC0C8; spatio &#xC2DC;&#xAC04;&#xC801; &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xD45C;&#xD604;&#xC744; &#xC81C;&#xC548; &#xD558; &#xACE0;. &#xAD50;&#xC721; &#xC11C;&#xC2DD; &#xD30C;&#xC77C;&#xC758; &#xBD80;&#xC871;&#xC758; &#xBB38;&#xC81C;&#xB97C; &#xD574;&#xACB0; &#xD558;&#xAE30; &#xC704;&#xD574; &#xC6B0;&#xB9AC; &#xB610;&#xD55C; &#xC778;&#xAC04;&#xC758; &#xC778;&#xC2DD;&#xC5D0; &#xB300; &#xD55C; &#xD604;&#xC2E4;&#xACFC; &#xD569;&#xC131; &#xC11C;&#xC2DD; &#xD30C;&#xC77C; &#xC911;&#xC5D0;&#xC11C; &#xD1B5;&#xACC4; &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xAE30;&#xB2A5;&#xC744; &#xACB0;&#xD569; &#xD558; &#xC5EC; &#xC18C;&#xC124; &#xC811;&#xADFC;&#xBC95;&#xC744; &#xC81C;&#xC548;. &#xC2E4;&#xB8E8;&#xC5E3; &#xC65C;&#xACE1;&#xC744; &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158; &#xD558; &#xC5EC; &#xD6C8;&#xB828; &#xC2DC;&#xD000;&#xC2A4;&#xC5D0;&#xC11C; &#xD569;&#xC131; &#xC11C;&#xC2DD; &#xD30C;&#xC77C;&#xC744; &#xC0DD;&#xC131; &#xD558;&#xB294; &#xB3D9;&#xC548; &#xC6B0;&#xB9AC;&#xB294; &#xC9C1;&#xC811; &#xAD50;&#xC721; &#xC2E4;&#xB8E8;&#xC5E3; &#xC2DC;&#xD000;&#xC2A4;&#xC5D0;&#xC11C; &#xC2E4;&#xC81C; &#xC11C;&#xC2DD; &#xD30C;&#xC77C;&#xC744; &#xACC4;&#xC0B0; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xD604;&#xC2E4;&#xACFC; &#xD569;&#xC131; &#xC11C;&#xC2DD; &#xD30C;&#xC77C; &#xC911;&#xC5D0;&#xC11C; &#xD6A8;&#xACFC;&#xC801;&#xC778; &#xAE30;&#xB2A5; &#xD559;&#xC2B5;&#xC744; &#xC704;&#xD55C; &#xD1B5;&#xACC4;&#xC801; &#xC811;&#xADFC;&#xC744; &#xC0AC;&#xC6A9; &#xD569;&#xB2C8;&#xB2E4;. USF HumanID &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4;&#xC5D0; &#xB2E4;&#xB978; &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xC778;&#xC2DD; &#xBC29;&#xBC95;&#xC73C;&#xB85C; &#xC81C;&#xC548; &#xB41C; GEI &#xAE30;&#xBC18; &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xC778;&#xC2DD; &#xBC29;&#xBC95; &#xBE44;&#xAD50;. &#xC2E4;&#xD5D8; &#xACB0;&#xACFC; &#xC81C;&#xC548;&#xB41C; GEI&#xB294; &#xAC1C;&#xBCC4; &#xC778;&#xC2DD;&#xC5D0; &#xB300; &#xD55C; &#xD6A8;&#xACFC;&#xC801;&#xC774; &#xACE0; &#xD6A8;&#xC728;&#xC801;&#xC778; &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xD45C;&#xD604; &#xD558; &#xACE0; &#xC81C;&#xC548; &#xB41C; &#xC811;&#xADFC; &#xBC29;&#xC2DD;&#xC744; &#xB2EC;&#xC131; &#xAC8C;&#xC2DC; &#xB41C; &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xC778;&#xC2DD; &#xBC29;&#xBC95;&#xC5D0; &#xAD00;&#xD558;&#xC5EC; &#xB9E4;&#xC6B0; &#xACBD;&#xC7C1;&#xB825; &#xC788;&#xB294; &#xC131;&#xB2A5;&#xC744; &#xBCF4;&#xC5EC; &#xC90D;&#xB2C8;&#xB2E4;.

&#xAC78;&#xC74C; &#xAC78;&#xC774; &#xC5D0;&#xB108;&#xC9C0; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xAC1C;&#xBCC4; &#xC778;&#xC2DD;&#xC785;&#xB2C8;&#xB2E4;.

En este trabajo proponemos una nueva representaci&oacute;n de marcha spatio-temporal, llamada marcha energ&iacute;a imagen (GEI), para caracterizar las propiedades a pie humanos para reconocimiento individual por andar. Para abordar el problema de la falta de plantillas de formaci&oacute;n, tambi&eacute;n proponemos un nuevo enfoque para el reconocimiento humano combinando caracter&iacute;sticas de marcha estad&iacute;stica de plantillas reales y sint&eacute;ticas. Calculamos directamente las plantillas reales de secuencias de la silueta del aprendizaje, mientras que generamos las plantillas sint&eacute;ticas de secuencias de aprendizaje mediante la simulaci&oacute;n de distorsi&oacute;n de la silueta. Utilizamos un enfoque estad&iacute;stico para el aprendizaje eficaces caracter&iacute;sticas de plantillas reales y sint&eacute;ticas. Comparamos el enfoque de reconocimiento paso propuesto de GEI-base con otros m&eacute;todos de reconocimiento de marcha sobre la base de datos de USF HumanID. Resultados experimentales muestran que el IEG propuesto es una representaci&oacute;n efectiva y eficiente para reconocimiento individual, y la propuesta logra un rendimiento altamente competitivo con respecto a los m&eacute;todos de reconocimiento de marcha publicados.

Reconocimiento individual utilizando la imagen de energ&iacute;a de marcha.

&#x4EBA;&#x7684;&#x8033;&#x6735;&#x662F;&#x4E00;&#x7C7B;&#x65B0;&#x7684;&#x76F8;&#x5BF9;&#x7A33;&#x5B9A;&#x7684;&#x751F;&#x7269;&#x8BC6;&#x522B;&#x6280;&#x672F;&#xFF0C;&#x6700;&#x8FD1;&#x5F15;&#x8D77;&#x4E86;&#x7814;&#x7A76;&#x8005;&#x7684;&#x6CE8;&#x610F;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x4F7F;&#x7528; 3D &#x8033;&#x751F;&#x7269;&#x7279;&#x5F81;&#x5B8C;&#x6574;&#x4EBA;&#x7C7B;&#x8BC6;&#x522B;&#x7CFB;&#x7EDF;&#x3002;&#x8BE5;&#x7CFB;&#x7EDF;&#x5305;&#x62EC;&#x4E09;&#x7EF4;&#x4EBA;&#x8033;&#x68C0;&#x6D4B;&#x3001; &#x4E09;&#x7EF4;&#x4EBA;&#x8033;&#x8BC6;&#x522B;&#x548C;&#x4E09;&#x7EF4;&#x4EBA;&#x8033;&#x6838;&#x67E5;&#x3002;&#x4EBA;&#x8033;&#x68C0;&#x6D4B;&#xFF0C;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x4E00;&#x4E2A;&#x65B0;&#x65B9;&#x6CD5;&#xFF0C;&#x4F7F;&#x7528;&#x5355;&#x4E2A;&#x5F15;&#x7528; 3D &#x8033;&#x6735;&#x5F62;&#x72B6;&#x6A21;&#x578B;&#x4E2D;&#xFF0C;&#x5728;&#x5DF2;&#x6CE8;&#x518C;&#x7684; 2D &#x989C;&#x8272;&#x548C; 3D &#x8303;&#x56F4;&#x56FE;&#x50CF;&#x5B9A;&#x4F4D;&#x8033;&#x87BA;&#x65CB;&#x548C; antihelix &#x7684;&#x90E8;&#x5206;&#x3002;&#x8033;&#x9274;&#x5B9A;&#x548C;&#x6838;&#x67E5;&#x4F7F;&#x7528;&#x8303;&#x56F4;&#x56FE;&#x50CF;&#xFF0C;&#x5EFA;&#x8BAE;&#x4E24;&#x4E2A;&#x65B0;&#x7684;&#x8868;&#x793A;&#x5F62;&#x5F0F;&#x3002;&#x5176;&#x4E2D;&#x5305;&#x62EC;&#x4ECE;&#x68C0;&#x6D4B;&#x7B97;&#x6CD5;&#x83B7;&#x5F97;&#x7684;&#x8033;&#x87BA;&#x65CB;/&#x8033;&#x8F6E;&#x672A;&#x8868;&#x793A;&#x548C;&#x8BA1;&#x7B97;&#x529F;&#x80FD;&#x70B9;&#x7684;&#x5730;&#x65B9;&#x8868;&#x9762;&#x4FEE;&#x8865;&#x7A0B;&#x5E8F; (LSP) &#x8868;&#x793A;&#x5F62;&#x5F0F;&#x3002;&#x4E00;&#x4E2A;&#x5730;&#x65B9;&#x7684;&#x8868;&#x9762;&#x63CF;&#x8FF0;&#x7B26;&#x7684;&#x7279;&#x70B9;&#x662F;&#x8D28;&#x5FC3;&#x3001; &#x5C40;&#x90E8;&#x8868;&#x9762;&#x7C7B;&#x578B;&#x548C; 2D &#x76F4;&#x65B9;&#x56FE;&#x3002;2D &#x76F4;&#x65B9;&#x56FE;&#x663E;&#x793A;&#x7684;&#x5F62;&#x72B6;&#x53D1;&#x751F;&#x7684;&#x9891;&#x7387;&#x7D22;&#x5F15;&#x503C;&#x4E0E;&#x5F15;&#x7528;&#x529F;&#x80FD;&#x70B9;&#x7684;&#x6B63;&#x5E38;&#x4E0E;&#x90BB;&#x56FD;&#x4E4B;&#x95F4;&#x7684;&#x89D2;&#x5EA6;&#x3002;&#x4E24;&#x4E2A;&#x5F62;&#x72B6;&#x8868;&#x793A;&#x7528;&#x4E8E;&#x4F30;&#x8BA1;&#x5E93;&#x63A2;&#x5934;&#x5BF9;&#x4E4B;&#x95F4;&#x7684;&#x521D;&#x59CB;&#x521A;&#x6027;&#x8F6C;&#x6362;&#x3002;&#x8FD9;&#x79CD;&#x8F6C;&#x53D8;&#x5E94;&#x7528;&#x5230;&#x6240;&#x9009;&#x4F4D;&#x7F6E;&#x7684;&#x5E93;&#x5957;&#x5728;&#x8033;&#x6735;&#x548C;&#x4E00;&#x79CD;&#x6539;&#x8FDB;&#x7684;&#x8FED;&#x4EE3;&#x6700;&#x63A5;&#x8FD1;&#x70B9; (ICP) &#x7B97;&#x6CD5;&#x7528;&#x4E8E;&#x8FED;&#x4EE3;&#x6C42;&#x7CBE;&#x8981;&#x5E26;&#x5E93;&#x8033;&#x548C;&#x8033;&#x63A2;&#x8BA8;&#x610F;&#x4E49;&#x4E0A;&#x7684;&#x6700;&#x5C0F;&#x5747;&#x65B9;&#x6839;&#x8BEF;&#x5DEE;&#x7684;&#x6700;&#x4F73;&#x5BF9;&#x9F50;&#x65B9;&#x5F0F;&#x7684;&#x8F6C;&#x6362;&#x3002;&#x5723;&#x6BCD;&#x5927;&#x5B66;&#x7684;&#x6570;&#x636E;&#x8BBE;&#x7F6E;&#x7684;&#x5E26;&#x6709;&#x5EF6;&#x65F6;&#x753B;&#x5ECA;&#x63A2;&#x5934;&#x5BF9; 302 &#x4E3B;&#x9898;&#x63D0;&#x4F9B;&#x4E86;&#x6BD4;&#x8F83;&#xFF0C;&#x5E76;&#x8868;&#x660E;&#x62DF;&#x8BAE;&#x7684;&#x7B97;&#x6CD5;&#x548C;&#x7CFB;&#x7EDF;&#x7684;&#x6709;&#x6548;&#x6027;&#x548C; UCR &#x6570;&#x636E;&#x96C6;&#x4E0A;&#x7684; 155 &#x79D1;&#x76EE;&#x4E0B; 902 &#x56FE;&#x50CF;&#x4E0E;&#x5B9E;&#x9A8C;&#x7ED3;&#x679C;&#x6784;&#x6210;&#x7684;&#x53D8;&#x5316;&#x3002;

&#x5728; 3D &#x7684;&#x4EBA;&#x8033;&#x8BC6;&#x522B;&#x3002;

Human ear is a new class of relatively stable biometrics that has drawn researchers' attention recently. In this paper, we propose a complete human recognition system using 3D ear biometrics. The system consists of 3D ear detection, 3D ear identification, and 3D ear verification. For ear detection, we propose a new approach which uses a single reference 3D ear shape model and locates the ear helix and the antihelix parts in registered 2D color and 3D range images. For ear identification and verification using range images, two new representations are proposed. These include the ear helix/antihelix representation obtained from the detection algorithm and the local surface patch (LSP) representation computed at feature points. A local surface descriptor is characterized by a centroid, a local surface type, and a 2D histogram. The 2D histogram shows the frequency of occurrence of shape index values versus the angles between the normal of reference feature point and that of its neighbors. Both shape representations are used to estimate the initial rigid transformation between a gallery-probe pair. This transformation is applied to selected locations of ears in the gallery set and a modified Iterative Closest Point (ICP) algorithm is used to iteratively refine the transformation to bring the gallery ear and probe ear into the best alignment in the sense of the least root mean square error. The experimental results on the UCR data set of 155 subjects with 902 images under pose variations and the University of Notre Dame data set of 302 subjects with time-lapse gallery-probe pairs are presented to compare and demonstrate the effectiveness of the proposed algorithms and the system.

Human ear recognition in 3D.

L&#39;oreille humaine est une nouvelle classe de biom&eacute;trie relativement stable qui a attir&eacute; l&#39;attention de chercheurs r&eacute;cemment. Dans cet article, nous proposons un syst&egrave;me de reconnaissance humaine compl&egrave;te &agrave; l&#39;aide de donn&eacute;es biom&eacute;triques oreille 3D. Le syst&egrave;me se compose de d&eacute;tection 3D oreille, oreille 3D identification et v&eacute;rification de l&#39;oreille 3D. Pour la d&eacute;tection de l&#39;oreille, nous proposons une nouvelle approche qui utilise un mod&egrave;le de forme oreille 3D unique r&eacute;f&eacute;rence et localise l&#39;h&eacute;lix de l&#39;oreille et les pi&egrave;ces antihelix en couleur 2D enregistr&eacute;e et images 3D gamme. Pour l&#39;identification de l&#39;oreille et de v&eacute;rification &agrave; l&#39;aide d&#39;images de la gamme, deux nouvelles repr&eacute;sentations sont propos&eacute;es. Il s&#39;agit de la repr&eacute;sentation de helix/antihelix oreille obtenus &agrave; partir de l&#39;algorithme de d&eacute;tection et de la repr&eacute;sentation de patch de surface locale (LSP) calcul&eacute;e en points de fonction. Un descripteur de surface local se caract&eacute;rise par un centre de gravit&eacute;, un type de surface local et un histogramme 2D. L&#39;histogramme 2D montre la fr&eacute;quence d&#39;apparition de la forme de valeurs d&#39;index par rapport &agrave; l&#39;angle entre la normale du point de fonction de r&eacute;f&eacute;rence et celle de ses voisins. Les deux repr&eacute;sentations de la forme sont utilis&eacute;es pour estimer la transformation initiale rigide entre une paire de Galerie-sonde. Cette transformation est appliqu&eacute;e &agrave; certains endroits des oreilles dans l&#39;ensemble de la Galerie et un algorithme it&eacute;ratif plus proche Point (ICP) modifi&eacute; est utilis&eacute; de mani&egrave;re it&eacute;rative raffiner la transformation afin d&#39;apporter &agrave; l&#39;oreille de la Galerie et la sonde d&#39;oreille dans le meilleur alignement dans le sens de l&#39;erreur quadratique moyenne moins. Les r&eacute;sultats exp&eacute;rimentaux sur l&#39;ensemble de donn&eacute;es UCR 155 sujets avec 902 images sous pr&eacute;sentent des variations, et l&#39;ensemble de donn&eacute;es de l&#39;Universit&eacute; de Notre Dame de 302 sujets avec des paires de Time-Lapse Galerie-sonde sont pr&eacute;sent&eacute;es afin de comparer et de d&eacute;montrer l&#39;efficacit&eacute; des algorithmes propos&eacute;s et le syst&egrave;me.

Reconnaissance de l&#39;oreille humaine en 3D.

Menschliche Ohr ist eine neue Klasse von relativ stabilen Biometrie, die vor kurzem Forscher hingewiesen hat. In diesem Papier schlagen wir eine vollst&auml;ndige menschliche Anerkennungssystem mit 3D Ohr Biometrie. Das System besteht aus 3D Ohr-Erkennung, 3D Ohr Identifikation und Verifikation 3D Ohr. F&uuml;r Ohr-Erkennung schlagen wir ein neues Konzept der verwendet ein einzelnes 3D Ohr Form Referenzmodell und sucht die Ohr-Helix und die antihelix Teile in registrierten 2D Farbe und 3D Bereich Bilder. Ohr-Identifizierung und Verifizierung mit Bereich Bilder werden zwei neue Vertretungen vorgeschlagen. Dazu geh&ouml;ren die Ohr Helix/Antihelix Darstellung der Erkennungsalgorithmus eingeholt und die lokalen Oberfl&auml;che Patch (LSP)-Darstellung zur Funktion Punkte berechnet. Ein lokaler Oberfl&auml;che Deskriptor zeichnet sich durch einen Achsenschwerpunkt, einen lokalen Oberfl&auml;che Typ und ein 2D Histogramm. Das 2D Histogramm zeigt die H&auml;ufigkeit des Auftretens der Form Indexwerte gegen&uuml;ber den Winkel zwischen der senkrechten Funktion Bezugspunkt und seiner Nachbarn. Beide Darstellungen Form werden verwendet, um die anf&auml;ngliche starre Transformation zwischen einem Galerie-Probe-paar zu sch&auml;tzen. Diese Transformation wird angewendet, um ausgew&auml;hlte Orte der Ohren in der Galerie und ein modifizierte Iterative am n&auml;chsten Punkt (ICP)-Algorithmus wird verwendet, um iterativ verfeinern die Transformation, um das Galerie-Ohr und Pr&uuml;fpunkt Ohr in die beste Ausrichtung im Sinne der geringsten Root-Mean-Square-Fehler. Die experimentellen Ergebnisse auf dem UCR-DataSet 155 Themen mit 902 Bilder unter pose Variationen und die Universit&auml;t von Notre Dame-Datenmenge der 302 Themen mit Zeitraffer Galerie-Probe-Paaren zum Vergleichen und veranschaulichen die Wirksamkeit der vorgeschlagenen Algorithmen und das System pr&auml;sentiert werden.

Menschliche Ohr Anerkennung in 3D.

Orecchio umano &egrave; una nuova classe di biometria relativamente stabile che ha attirato l&#39;attenzione dei ricercatori recentemente. In questa carta, proponiamo un sistema completo riconoscimento umano usando la biometria orecchio 3D. Il sistema consiste di rilevamento 3D orecchio, orecchio 3D identificazione e verifica dell&#39;orecchio 3D. Per la rilevazione dell&#39;orecchio, vi proponiamo un nuovo approccio che utilizza un modello di riferimento unico 3D orecchio forma e individua l&#39;elica dell&#39;orecchio e le parti antihelix registrati colore 2D e immagini 3D. Per l&#39;orecchio identificazione e verifica utilizzando immagini di gamma, vengono proposte due nuove rappresentazioni. Questi includono la rappresentazione di elica/antihelix orecchio ottenuta dall&#39;algoritmo di rilevamento e la rappresentazione di patch di superficie locali (LSP) calcolato in punti caratteristica. Un descrittore locale di superficie &egrave; caratterizzato da un centroide, un tipo di superficie locale e un istogramma 2D. L&#39;istogramma 2D Mostra la frequenza di occorrenza di forma i valori di indice contro gli angoli tra la normale punto di riferimento caratteristica e quella dei suoi vicini. Le rappresentazioni di forma sono utilizzate per stimare l&#39;iniziale trasformazione rigida tra una coppia di Galleria-sonda. Questa trasformazione viene applicata ai percorsi selezionati delle orecchie nel set di galleria e un algoritmo iterativo Point pi&ugrave; vicino (ICP) modificato &egrave; utilizzato per raffinare iterativamente la trasformazione per portare l&#39;orecchio Galleria e sonda orecchio nell&#39;allineamento migliore nel senso dell&#39;errore quadratico medio minimo. I risultati sperimentali su set di dati UCR di 155 soggetti con 902 immagini sotto rappresentano variazioni e il set di dati Universit&agrave; di Notre Dame di 302 soggetti con coppie di time-lapse Galleria-sonda sono presentati per confrontare e dimostrare l&#39;efficacia degli algoritmi proposti e il sistema.

Riconoscimento dell&#39;orecchio umano in 3D.

&#x4EBA;&#x9593;&#x306E;&#x8033;&#x306F;&#x3001;&#x7814;&#x7A76;&#x8005;&#x306E;&#x6CE8;&#x76EE;&#x3092;&#x96C6;&#x3081;&#x3066;&#x3044;&#x308B;&#x6700;&#x8FD1;&#x6BD4;&#x8F03;&#x7684;&#x5B89;&#x5B9A;&#x3057;&#x305F;&#x30D0;&#x30A4;&#x30AA;&#x30E1;&#x30C8;&#x30EA;&#x30AF;&#x30B9;&#x306E;&#x65B0;&#x3057;&#x3044;&#x30AF;&#x30E9;&#x30B9;&#x3067;&#x3059;&#x3002;3 D &#x8033;&#x30D0;&#x30A4;&#x30AA;&#x30E1;&#x30C8;&#x30EA;&#x30AF;&#x30B9;&#x3092;&#x7528;&#x3044;&#x305F;&#x5B8C;&#x5168;&#x306A;&#x4EBA;&#x9593;&#x306E;&#x8A8D;&#x8B58;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x306F;&#x3001;3 D &#x8033;&#x691C;&#x51FA;&#x3001;3 D &#x306E;&#x8033;&#x306E;&#x8B58;&#x5225;&#x3001;3 D &#x8033;&#x691C;&#x8A3C;&#x3067;&#x69CB;&#x6210;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x8033;&#x306E;&#x691C;&#x51FA;&#x306F;&#x3001;&#x5358;&#x4E00;&#x306E;&#x53C2;&#x7167; 3D &#x8033;&#x5F62;&#x72B6;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3001;&#x8033;&#x306E;&#x30D8;&#x30EA;&#x30C3;&#x30AF;&#x30B9;&#x3068; antihelix &#x90E8;&#x54C1;&#x767B;&#x9332; 2&#x6B21;&#x5143;&#x30AB;&#x30E9;&#x30FC;&#x753B;&#x50CF;&#x3068; 3 D &#x7BC4;&#x56F2;&#x753B;&#x50CF;&#x3067;&#x691C;&#x7D22;&#x65B0;&#x3057;&#x3044;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x8033;&#x306E;&#x540C;&#x5B9A;&#x3068;&#x8DDD;&#x96E2;&#x753B;&#x50CF;&#x3092;&#x7528;&#x3044;&#x305F;&#x691C;&#x8A3C;&#x306E;&#x305F;&#x3081;&#x306B;&#x3001;2 &#x3064;&#x306E;&#x65B0;&#x3057;&#x3044;&#x8868;&#x73FE;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x3053;&#x308C;&#x3089;&#x306B;&#x306F;&#x3001;&#x691C;&#x51FA;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x304B;&#x3089;&#x5F97;&#x3089;&#x308C;&#x308B;&#x8033;&#x30D8;&#x30EA;&#x30C3;&#x30AF;&#x30B9;/antihelix &#x8868;&#x73FE;&#x3068;&#x7279;&#x5FB4;&#x70B9;&#x3067;&#x8A08;&#x7B97;&#x3055;&#x308C;&#x305F;&#x30ED;&#x30FC;&#x30AB;&#x30EB;&#x8868;&#x9762;&#x30D1;&#x30C3;&#x30C1; (LSP) &#x8868;&#x73FE;&#x304C;&#x542B;&#x307E;&#x308C;&#x307E;&#x3059;&#x3002;&#x5C40;&#x6240;&#x8868;&#x9762;&#x8A18;&#x8FF0;&#x5B50;&#x306F;&#x3001;&#x91CD;&#x5FC3;&#x3001;&#x30ED;&#x30FC;&#x30AB;&#x30EB;&#x8868;&#x9762;&#x578B;&#x304A;&#x3088;&#x3073; 2&#x6B21;&#x5143;&#x30D2;&#x30B9;&#x30C8;&#x30B0;&#x30E9;&#x30E0;&#x306B;&#x3088;&#x3063;&#x3066;&#x7279;&#x5FB4;&#x4ED8;&#x3051;&#x3089;&#x308C;&#x307E;&#x3059;&#x3002;2D &#x306E;&#x30D2;&#x30B9;&#x30C8;&#x30B0;&#x30E9;&#x30E0;&#x5F62;&#x72B6;&#x306E;&#x51FA;&#x73FE;&#x983B;&#x5EA6;&#x53C2;&#x7167;&#x7279;&#x5FB4;&#x70B9;&#x306E;&#x6CD5;&#x7DDA;&#x3068;&#x305D;&#x306E;&#x8FD1;&#x6240;&#x306E;&#x4EBA;&#x306E;&#x9593;&#x306E;&#x89D2;&#x5EA6;&#x5BFE;&#x30A4;&#x30F3;&#x30C7;&#x30C3;&#x30AF;&#x30B9;&#x5024;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x4E21;&#x65B9;&#x306E;&#x56F3;&#x5F62;&#x8868;&#x73FE;&#x30AE;&#x30E3;&#x30E9;&#x30EA;&#x30FC; &#x30D7;&#x30ED;&#x30FC;&#x30D6; &#x30DA;&#x30A2;&#x9593;&#x306E;&#x521D;&#x671F;&#x306E;&#x525B;&#x4F53;&#x5909;&#x63DB;&#x3092;&#x63A8;&#x5B9A;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x8033;&#x30AE;&#x30E3;&#x30E9;&#x30EA;&#x30FC; &#x30BB;&#x30C3;&#x30C8;&#x5185;&#x306E;&#x9078;&#x629E;&#x3057;&#x305F;&#x5834;&#x6240;&#x306B;&#x3053;&#x306E;&#x5909;&#x63DB;&#x3092;&#x9069;&#x7528;&#x3001;&#x7E70;&#x308A;&#x8FD4;&#x3057;&#x30AE;&#x30E3;&#x30E9;&#x30EA;&#x30FC;&#x8033;&#x3092;&#x6301;&#x53C2;&#x3057;&#x3001;&#x30EB;&#x30FC;&#x30C8; 2&#x4E57;&#x8AA4;&#x5DEE;&#x306E;&#x610F;&#x5473;&#x3067;&#x306E;&#x4F4D;&#x7F6E;&#x304C;&#x6700;&#x9069;&#x306B;&#x8033;&#x3092;&#x30D7;&#x30ED;&#x30FC;&#x30D6;&#x5909;&#x63DB;&#x3092;&#x7D5E;&#x308A;&#x8FBC;&#x3080;&#x306B;&#x6539;&#x826F;&#x53CD;&#x5FA9;&#x306E;&#x6700;&#x3082;&#x8FD1;&#x3044;&#x30DD;&#x30A4;&#x30F3;&#x30C8; (ICP) &#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x304C;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x30D0;&#x30EA;&#x30A8;&#x30FC;&#x30B7;&#x30E7;&#x30F3; UCR &#x306E;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x306E;&#x4E0B; 902 &#x753B;&#x50CF; 155 &#x88AB;&#x9A13;&#x8005;&#x306E;&#x5B9F;&#x9A13;&#x306E;&#x7D50;&#x679C;&#x3092;&#x3082;&#x305F;&#x3089;&#x3059;&#x3057;&#x3001;302 &#x79D1;&#x76EE;&#x30B3;&#x30DE;&#x64AE;&#x308A;&#x30AE;&#x30E3;&#x30E9;&#x30EA;&#x30FC; &#x30D7;&#x30ED;&#x30FC;&#x30D6;&#x306E;&#x30DA;&#x30A2;&#x306E;&#x30CE;&#x30FC;&#x30C8;&#x30EB;&#x30C0;&#x30E0;&#x5927;&#x5B66;&#x306E;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x3092;&#x6BD4;&#x8F03;&#x3057;, &#x63D0;&#x6848;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3068;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x306E;&#x6709;&#x52B9;&#x6027;&#x3092;&#x793A;&#x3059;&#x8868;&#x793A;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;

3 D &#x3067;&#x306E;&#x4EBA;&#x9593;&#x306E;&#x8033;&#x306E;&#x8A8D;&#x8B58;&#x3002;

&#xC778;&#xAC04;&#xC758; &#xADC0;&#xB294; &#xCD5C;&#xADFC;&#xC5D0; &#xC5F0;&#xAD6C;&#xC790;&#xC758; &#xAD00;&#xC2EC;&#xC744; &#xBAA8;&#xC73C;&#xACE0; &#xC788;&#xB2E4; &#xBE44;&#xAD50;&#xC801; &#xC548;&#xC815;&#xC801;&#xC778; &#xC0DD;&#xCCB4; &#xC778;&#xC2DD;&#xC758; &#xC0C8;&#xB85C;&#xC6B4; &#xD074;&#xB798;&#xC2A4;&#xC785;&#xB2C8;&#xB2E4;. &#xC774; &#xB17C;&#xBB38;&#xC5D0;&#xC11C;&#xB294; 3D &#xADC0; &#xC0DD;&#xBB3C; &#xCE21;&#xC815; &#xD559;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC644;&#xC804; &#xD55C; &#xC778;&#xAC04;&#xC758; &#xC778;&#xC2DD; &#xC2DC;&#xC2A4;&#xD15C;&#xC744; &#xC81C;&#xC548; &#xD55C;&#xB2E4;. &#xC2DC;&#xC2A4;&#xD15C; 3D &#xADC0; &#xAC10;&#xC9C0;, 3D &#xADC0; &#xC2DD;&#xBCC4; &#xBC0F; 3D &#xADC0; &#xD655;&#xC778;&#xC73C;&#xB85C; &#xC774;&#xB8E8;&#xC5B4;&#xC838; &#xC788;&#xB2E4;. &#xADC0; &#xAC80;&#xCD9C;&#xC744; &#xC704;&#xD55C; &#xB2E8;&#xC77C; &#xCC38;&#xC870; 3D &#xADC0; &#xBAA8;&#xC591; &#xBAA8;&#xB378;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xACE0; &#xB4F1;&#xB85D; &#xB41C; 2D &#xC0C9;&#xC0C1;&#xACFC; 3D &#xBC94;&#xC704; &#xC774;&#xBBF8;&#xC9C0; &#xADC0; &#xB098;&#xC120;&#xC640; antihelix &#xBD80;&#xD488; &#xCC3E;&#xC2B5;&#xB2C8;&#xB2E4; &#xD558;&#xB294; &#xC0C8;&#xB85C;&#xC6B4; &#xC811;&#xADFC;&#xC744; &#xC81C;&#xC548; &#xD55C;&#xB2E4;. &#xADC0; &#xC2DD;&#xBCC4; &#xBC0F; &#xAC80;&#xC99D; &#xBC94;&#xC704; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xB450; &#xAC1C;&#xC758; &#xC0C8;&#xB85C;&#xC6B4; &#xD45C;&#xD604;&#xC740; &#xC81C;&#xC2DC; &#xB429;&#xB2C8;&#xB2E4;. &#xAC80;&#xC0C9; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC5D0;&#xC11C; &#xC5BB;&#xC740; &#xADC0; &#xD5EC;&#xB9AD;&#xC2A4;/antihelix &#xD45C;&#xD604; &#xAE30;&#xB2A5; &#xC9C0;&#xC810;&#xC5D0;&#xC11C; &#xACC4;&#xC0B0; &#xB85C;&#xCEEC; &#xD45C;&#xBA74; &#xD328;&#xCE58; (LSP) &#xD45C;&#xD604;&#xC744; &#xD3EC;&#xD568; &#xB429;&#xB2C8;&#xB2E4;. &#xB85C;&#xCEEC; &#xD45C;&#xBA74; &#xC124;&#xBA85;&#xC790; &#xC911;&#xC2EC;&#xC744;, &#xC9C0;&#xC5ED; &#xD45C;&#xBA74; &#xD615;&#xC2DD; &#xBC0F; 2D &#xB9C9;&#xB300; &#xADF8;&#xB798;&#xD504;&#xC5D0; &#xC758;&#xD574; &#xD2B9;&#xC9D5;&#xC785;&#xB2C8;&#xB2E4;. 2D &#xB9C9;&#xB300; &#xADF8;&#xB798;&#xD504; &#xCC38;&#xC870; &#xAE30;&#xB2A5; &#xD3EC;&#xC778;&#xD2B8;&#xC758; &#xC815;&#xC0C1;&#xACFC;&#xB294; &#xC774;&#xC6C3; &#xC0AC;&#xC774;&#xC758; &#xAC01;&#xB3C4;&#xC640; &#xBAA8;&#xC591; &#xBC1C;&#xC0DD; &#xBE48;&#xB3C4;&#xAC00; &#xC778;&#xB371;&#xC2A4; &#xAC12;&#xC744; &#xBCF4;&#xC5EC; &#xC90D;&#xB2C8;&#xB2E4;. &#xB450; &#xBAA8;&#xC591; &#xD45C;&#xD604; &#xAC24;&#xB7EC;&#xB9AC; &#xD504;&#xB85C;&#xBE0C; &#xC30D; &#xC0AC;&#xC774;&#xC758; &#xCD08;&#xAE30; &#xACBD;&#xC9C1; &#xB41C; &#xBCC0;&#xD654;&#xB97C; &#xCD94;&#xC815; &#xC0AC;&#xC6A9; &#xB429;&#xB2C8;&#xB2E4;. &#xC774; &#xBCC0;&#xD658; &#xADC0; &#xAC24;&#xB7EC;&#xB9AC; &#xC138;&#xD2B8;&#xC5D0;&#xC11C; &#xC120;&#xD0DD;&#xD55C; &#xC704;&#xCE58;&#xC5D0; &#xC801;&#xC6A9; &#xB418; &#xACE0; &#xC218;&#xC815;&#xB41C; &#xBC18;&#xBCF5; &#xAC00;&#xC7A5; &#xAC00;&#xAE4C;&#xC6B4; &#xC9C0;&#xC810; (ICP) &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xBC18;&#xBCF5;&#xC801;&#xC73C;&#xB85C; &#xAC24;&#xB7EC;&#xB9AC; &#xADC0; &#xACE0; &#xCD5C;&#xC18C; &#xC81C;&#xACF1; &#xD3C9;&#xADE0; &#xC624;&#xCC28;&#xC758; &#xC758;&#xBBF8;&#xC5D0;&#xC11C; &#xCD5C;&#xACE0;&#xC758; &#xB9DE;&#xCDA4;&#xC73C;&#xB85C; &#xADC0;&#xB97C; &#xD504;&#xB85C;&#xBE0C; &#xBCC0;&#xD658; &#xC218;&#xC815;. UCR &#xB370;&#xC774;&#xD130; &#xC138;&#xD2B8;&#xC5D0; &#xC2E4;&#xD5D8; &#xACB0;&#xACFC;&#xC5D0;&#xC11C; 902 &#xC774;&#xBBF8;&#xC9C0;&#xC640; 155 &#xACFC;&#xBAA9;&#xC758; &#xD3EC;&#xC988;&#xB97C; &#xBCC0;&#xD615; &#xD558; &#xACE0; 302 &#xACFC;&#xBAA9; &#xC2DC;&#xAC04; &#xACBD;&#xACFC; &#xAC24;&#xB7EC;&#xB9AC; &#xD504;&#xB85C;&#xBE0C; &#xC30D;&#xC73C;&#xB85C; &#xB178;&#xD2B8;&#xB974;&#xB2F4; &#xB300;&#xD559;&#xAD50; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569; &#xBE44;&#xAD50; &#xD558; &#xC5EC; &#xC81C;&#xC548; &#xB41C; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xBC0F; &#xC2DC;&#xC2A4;&#xD15C;&#xC758; &#xD6A8;&#xACFC; &#xBCF4;&#xC5EC; &#xD45C;&#xC2DC; &#xB429;&#xB2C8;&#xB2E4;.

3 &#xCC28;&#xC6D0;&#xC5D0;&#xC11C; &#xC778;&#xAC04;&#xC758; &#xADC0; &#xC778;&#xC2DD;&#xC785;&#xB2C8;&#xB2E4;.

O&iacute;do humano es una nueva clase de biometr&iacute;a relativamente estable que ha llamado recientemente la atenci&oacute;n de los investigadores. En este trabajo proponemos un sistema de reconocimiento humano completo mediante biometr&iacute;a o&iacute;do 3D. El sistema consiste en detecci&oacute;n de o&iacute;do 3D, 3D o&iacute;do identificaci&oacute;n y verificaci&oacute;n de o&iacute;do 3D. Para la detecci&oacute;n de o&iacute;do, proponemos un nuevo enfoque que utiliza un modelo de forma &uacute;nica referencia o&iacute;do 3D y localiza el h&eacute;lix y las antihelix piezas en registrado color 2D y 3D de gama im&aacute;genes. Para la identificaci&oacute;n de o&iacute;do y uso de im&aacute;genes de rango, se proponen dos nuevas representaciones. Estos incluyen la representaci&oacute;n de h&eacute;lice/antihelix o&iacute;do obtenido el algoritmo de detecci&oacute;n y la representaci&oacute;n local parche superficial (LSP) en puntos de funci&oacute;n. Un descriptor local de superficie se caracteriza por un centroide, un tipo de superficie local y un histograma 2D. El histograma 2D muestra la frecuencia de ocurrencia de forma valores de &iacute;ndice frente a los &aacute;ngulos entre el normal del punto de la funci&oacute;n de referencia y la de sus vecinos. Ambas representaciones de la forma se utilizan para estimar la transformaci&oacute;n r&iacute;gida inicial entre un par de Galer&iacute;a-sonda. Esta transformaci&oacute;n se aplica a las localidades de orejas en el conjunto de la galer&iacute;a y se utiliza un algoritmo de punto m&aacute;s iterativo (ICP) modificado para refinar iterativamente la transformaci&oacute;n para traer el o&iacute;do de la galer&iacute;a y sonda o&iacute;do en la mejor alineaci&oacute;n en el sentido del menor error cuadr&aacute;tico. Los resultados experimentales en el conjunto de datos de la UCR de 155 sujetos con 902 im&aacute;genes bajo representan variaciones y el conjunto de datos de la Universidad de Notre Dame de 302 sujetos con pares de time-lapse Galer&iacute;a-sonda se presentan para comparar y demostrar la eficacia de los algoritmos propuestos y el sistema.

Reconocimiento del o&iacute;do humano en 3D.

&#x672C;&#x6587;&#x4ECB;&#x7ECD;&#x4E86;&#x65B0;&#x7684;&#x57FA;&#x4E8E;&#x89C6;&#x9891;&#x7684;&#x8BC6;&#x522B;&#x65B9;&#x6CD5;&#xFF0C;&#x627F;&#x8BA4;&#x5728;&#x89C6;&#x9891;&#x4E2D;&#x8DDD;&#x79BB;&#x7A0E;&#x79CD;&#x7684;&#x4EBA;&#x66B4;&#x9732;&#x5728;&#x76F8;&#x673A;&#x4E00;&#x4FA7;&#x610F;&#x89C1;&#x3002;&#x4ECE;&#x4FA7;&#x8138;&#x548C;&#x6B65;&#x6001;&#xFF0C;&#x4E24;&#x4E2A;&#x751F;&#x7269;&#x9274;&#x522B;&#x6280;&#x672F;&#x6765;&#x6E90;&#x4FE1;&#x606F;&#x662F;&#x5229;&#x7528;&#x548C;&#x7EFC;&#x5408;&#x7684;&#x8BC6;&#x522B;&#x3002;&#x4E3A;&#x4FA7;&#x8138;&#xFF0C;&#x589E;&#x5F3A;&#x7684;&#x4FA7;&#x8138;&#x56FE;&#x50CF; (ESFI)&#xFF0C;&#x76F8;&#x6BD4;&#x76F4;&#x63A5;&#x4ECE;&#x5355;&#x4E2A;&#x89C6;&#x9891;&#x5E27;&#xFF0C;&#x83B7;&#x5F97;&#x7684;&#x56FE;&#x50CF;&#x7684;&#x9AD8;&#x5206;&#x8FA8;&#x7387;&#x56FE;&#x50CF;&#x88AB;&#x5EFA;&#x9020;&#x4E8E;&#x4E00;&#x4F53;&#x7684;&#x8138;&#x4E0A;&#x4ECE;&#x591A;&#x4E2A;&#x89C6;&#x9891;&#x5E27;&#x7684;&#x4FE1;&#x606F;&#x3002;&#x6B65;&#x6001;&#xFF0C;&#x6B65;&#x6001;&#x80FD;&#x91CF;&#x56FE;&#x50CF; (GEI)&#xFF0C;&#x65F6;&#x7A7A;&#x7684;&#x7D27;&#x51D1;&#x5F62;&#x5F0F;&#x8868;&#x793A;&#x7684;&#x6B65;&#x6001;&#x5728;&#x89C6;&#x9891;&#x4E2D;&#xFF0C;&#x7528;&#x4E8E;&#x63CF;&#x8FF0;&#x4EBA;&#x884C;&#x8D70;&#x7684;&#x5C5E;&#x6027;&#x3002;&#x8138;&#x548C;&#x6B65;&#x6001;&#x7684;&#x529F;&#x80FD;&#x662F;&#x4F7F;&#x7528;&#x5355;&#x72EC;&#x7684;&#x4E3B;&#x6210;&#x5206;&#x5206;&#x6790;&#x548C;&#x591A;&#x4E2A;&#x5224;&#x522B;&#x5206;&#x6790;&#x76F8;&#x7ED3;&#x5408;&#x65B9;&#x6CD5;&#x4ECE; ESFI &#x548C; GEI&#xFF0C;&#x5206;&#x522B;&#x83B7;&#x5F97;&#x7684;&#x3002;&#x4ED6;&#x4EEC;&#x7136;&#x540E;&#x901A;&#x8FC7;&#x4F7F;&#x7528;&#x4E0D;&#x540C;&#x7684;&#x878D;&#x5408;&#x6218;&#x7565;&#x96C6;&#x6210;&#x5728;&#x6BD4;&#x8D5B;&#x5F97;&#x5206;&#x4E00;&#x7EA7;&#x3002;&#x65B9;&#x6CD5;&#x88AB;&#x6D4B;&#x8BD5;&#x6570;&#x636E;&#x5E93;&#x7684;&#x89C6;&#x9891;&#x5E8F;&#x5217;&#xFF0C;&#x5BF9;&#x5E94; 45 &#x4EBA;&#xFF0C;&#x6536;&#x96C6;&#x4E86;&#x8D85;&#x8FC7;&#x4E03;&#x4E2A;&#x6708;&#x3002;&#x4E0D;&#x540C;&#x878D;&#x5408;&#x65B9;&#x6CD5;&#x8FDB;&#x884C;&#x6BD4;&#x8F83;&#x548C;&#x5206;&#x6790;&#x3002;&#x5B9E;&#x9A8C;&#x7ED3;&#x679C;&#x8868;&#x660E;&#xFF1A; 1&#xFF09; &#x6784;&#x5EFA; ESFI &#x4ECE;&#x591A;&#x4E2A;&#x5E27;&#x7684;&#x60F3;&#x6CD5;&#x662F;&#x6709;&#x5E0C;&#x671B;&#x7684;&#x4EBA;&#x7C7B;&#x8BC6;&#x522B;&#x5728;&#x89C6;&#x9891;&#x4E2D;&#xFF0C;&#x4EE5;&#x53CA;&#x66F4;&#x597D;&#x5730;&#x8FDB;&#x884C;&#x9762;&#x90E8;&#x7279;&#x5F81;&#x63D0;&#x53D6; ESFI &#x76F8;&#x6BD4;&#x4ECE;&#x539F;&#x59CB;&#x7684;&#x4FA7;&#x8138;&#x56FE;&#x50CF; (OSFIs) &#xFF1B;2&#xFF09; &#x540C;&#x6B65;&#x7684;&#x8138;&#x548C;&#x6B65;&#x6001;&#x4E0D;&#x662F;&#x5FC5;&#x9700;&#x7684;&#x8138;&#x6A21;&#x677F; ESFI &#x548C;&#x6B65;&#x6001;&#x6A21;&#x677F; GEI &#xFF1B;&#x7EFC;&#x5408;&#x6BD4;&#x8D5B;&#x6210;&#x7EE9;&#x7EC4;&#x5408;&#x4FE1;&#x606F;&#x4ECE;&#x4ED6;&#x4EEC; &#xFF1B;&#x548C; 3&#xFF09; &#x4ECE;&#x4FA7;&#x9762;&#x548C;&#x6B65;&#x6001;&#x7EFC;&#x5408;&#x7684;&#x4FE1;&#x606F;&#x662F;&#x5BF9;&#x4EBA;&#x6027;&#x7684;&#x8BA4;&#x8BC6;&#xFF0C;&#x5728;&#x89C6;&#x9891;&#x4E2D;&#x6709;&#x6548;&#x3002;

&#x96C6;&#x6210;&#x7684;&#x8138;&#x548C;&#x5BF9;&#x4EBA;&#x6027;&#x7684;&#x8BA4;&#x8BC6;&#xFF0C;&#x5728;&#x89C6;&#x9891;&#x4E2D;&#x8DDD;&#x79BB;&#x7684;&#x6B65;&#x6001;&#x3002;

This paper introduces a new video-based recognition method to recognize noncooperating individuals at a distance in video who expose side views to the camera. Information from two biometrics sources, side face and gait, is utilized and integrated for recognition. For side face, an enhanced side-face image (ESFI), a higher resolution image compared with the image directly obtained from a single video frame, is constructed, which integrates face information from multiple video frames. For gait, the gait energy image (GEI), a spatio-temporal compact representation of gait in video, is used to characterize human-walking properties. The features of face and gait are obtained separately using the principal component analysis and multiple discriminant analysis combined method from ESFI and GEI, respectively. They are then integrated at the match score level by using different fusion strategies. The approach is tested on a database of video sequences, corresponding to 45 people, which are collected over seven months. The different fusion methods are compared and analyzed. The experimental results show that: 1) the idea of constructing ESFI from multiple frames is promising for human recognition in video, and better face features are extracted from ESFI compared to those from the original side-face images (OSFIs); 2) the synchronization of face and gait is not necessary for face template ESFI and gait template GEI; the synthetic match scores combine information from them; and 3) an integrated information from side face and gait is effective for human recognition in video.

Integrating face and gait for human recognition at a distance in video.

Cet article pr&eacute;sente une nouvelle m&eacute;thode de reconnaissance bas&eacute;e sur vid&eacute;o pour reconna&icirc;tre les personnes noncooperating &agrave; distance en vid&eacute;o qui exposent des vues de c&ocirc;t&eacute; &agrave; la cam&eacute;ra. Informations provenant de deux sources de donn&eacute;es biom&eacute;triques, face lat&eacute;rale et la d&eacute;marche, sont utilis&eacute;es et int&eacute;gr&eacute;es pour la reconnaissance. Pour le c&ocirc;t&eacute; face, une image am&eacute;lior&eacute;e de la face lat&eacute;rale (ESFI), une image de r&eacute;solution plus &eacute;lev&eacute;e par rapport &agrave; l&#39;image directement issu d&#39;une seule image vid&eacute;o, est construite, qui int&egrave;gre les informations de visage de multiples images vid&eacute;o. Pour la d&eacute;marche, l&#39;image d&#39;&eacute;nergie de d&eacute;marche (GEI), une repr&eacute;sentation compacte spatio-temporelle de la d&eacute;marche en vid&eacute;o, est utilis&eacute;e pour caract&eacute;riser les propri&eacute;t&eacute;s homme-marche. Les caract&eacute;ristiques du visage et l&#39;allure sont obtenus s&eacute;par&eacute;ment au moyen de l&#39;analyse en composantes principales et la m&eacute;thode de l&#39;analyse combin&eacute;e discriminante multiple de ESFI et GEI, respectivement. Ils sont ensuite int&eacute;gr&eacute;s au niveau de score du match en utilisant des strat&eacute;gies diff&eacute;rentes de fusion. L&#39;approche est test&eacute;e sur une base de donn&eacute;es de s&eacute;quences vid&eacute;o, soit 45 personnes, qui sont per&ccedil;us sur sept mois. Les m&eacute;thodes de fusion diff&eacute;rentes sont compar&eacute;es et analys&eacute;es. Les r&eacute;sultats exp&eacute;rimentaux montrent que: 1) l&#39;id&eacute;e de construire ESFI de plusieurs images est prometteuse pour la reconnaissance humaine en vid&eacute;o, et mieux traits du visage sont extraites de ESFI compar&eacute; &agrave; ceux des face lat&eacute;rale des images originales (OSFIs) ; 2) la synchronisation du visage et de la d&eacute;marche n&#39;est pas n&eacute;cessaire pour la d&eacute;marche et visage mod&egrave;le ESFI GEI ; les scores des match de football synth&eacute;tique combinent des informations d&#39;eux ; et 3) une information int&eacute;gr&eacute;e de la face lat&eacute;rale et de la d&eacute;marche est efficace pour la reconnaissance humaine en vid&eacute;o.

Int&eacute;gration de visage et la d&eacute;marche de reconnaissance humaine &agrave; distance en vid&eacute;o.

Dieses Papier stellt eine neue Methode der videobasierten Anerkennung Residualzoll Individuen in einem Abstand im Video zu erkennen, die Seitenansichten zur Kamera aussetzen. Informationen aus zwei Quellen der Biometrie, Stirnseite und Ganganalyse, genutzt und integriert f&uuml;r die Anerkennung. F&uuml;r Stirnseite wird eine verbesserte Stirnseite Bild (ESFI), ein Bild mit h&ouml;herer Aufl&ouml;sung im Vergleich mit dem Bild erhalten direkt von einem einzelnen video-Frame, konstruiert, die integriert Gesicht Informationen aus mehreren Videobildern. F&uuml;r Ganganalyse wird das Gangbild Energie Bild (GEI), eine r&auml;umlich-zeitlichen kompakte Darstellung des Gehens in Video verwendet, um Mensch-zu-Fu&szlig;-Eigenschaften charakterisieren. Die Features von Gesicht und Gangart sind separat mit der Hauptkomponentenanalyse und mehrere Diskriminante kombiniert Analysemethode aus ESFI und GEI, bzw. abgerufen. Sie sind dann auf der Spiel-Partitur-Ebene mithilfe von verschiedenen Fusion-Strategien integriert. Der Ansatz wird getestet, auf eine Datenbank mit Videosequenzen, entspricht 45 Personen, die mehr als sieben Monaten erhoben werden. Die Verschmelzung der verschiedenen Methoden verglichen und analysiert. Die experimentellen Ergebnisse zeigen, dass: 1) die Idee f&uuml;r den Bau von ESFI aus mehreren Frames ist vielversprechend f&uuml;r menschliche Anerkennung im Video, und bessere Gesicht-Funktionen werden extrahiert aus ESFI im Vergleich zu denen von der original-Stirnseite Bilder (OSFIs); 2) die Synchronisation von Gesicht und Ganganalyse ist nicht erforderlich f&uuml;r Gesicht Vorlage ESFI und Ganganalyse Vorlage GEI; die synthetische Entsprechung Noten kombinieren Informationen von ihnen; und 3) ein integrierter Informationen aus Stirnseite und Ganganalyse ist effektiv f&uuml;r menschliche Anerkennung im Video.

Integration von Gesicht und Ganganalyse f&uuml;r menschliche Anerkennung in einem Abstand im Video.

Questo libro introduce un nuovo metodo di riconoscimento basati su video per riconoscere gli individui non hanno collaborati a distanza in video che espongono vista laterale per la fotocamera. Informazioni provenienti da due fonti di dati biometrici, faccia laterale e andatura, sono utilizzati e integrati per il riconoscimento. Per il viso di lato, un&#39;immagine faccia laterale migliorata (ESFI), un&#39;immagine a risoluzione pi&ugrave; elevata rispetto con l&#39;immagine ottenuta direttamente da un singolo fotogramma del video, viene costruita, che integra informazioni faccia da pi&ugrave; fotogrammi video. Per la deambulazione, l&#39;immagine di energia dell&#39;andatura (GEI), una rappresentazione compatta spazio-temporale dell&#39;andatura in video, &egrave; usato per caratterizzare la propriet&agrave; passi umani. Le caratteristiche del viso e andatura sono ottenute separatamente mediante l&#39;analisi delle componenti principali e Metodo combinato di analisi discriminante multipli da ESFI e GEI, rispettivamente. Sono poi integrati a livello di punteggio partita utilizzando strategie di fusione differenti. L&#39;approccio &egrave; testato su un database di sequenze video, corrispondente a 45 persone, che sono raccolti oltre sette mesi. I metodi di fusione diversi sono confrontati e analizzati. I risultati sperimentali mostrano che: 1) l&#39;idea di costruire ESFI da pi&ugrave; fotogrammi &egrave; promettente per riconoscimento umano in video, e meglio viso caratteristiche vengono estratte da ESFI rispetto a quelle dalle immagini originali della faccia laterale (OSFIs); 2) la sincronizzazione del volto e andatura non &egrave; necessaria per viso modello ESFI e andatura modello GEI; il gol partita sintetico combinare le informazioni da loro; e 3) un&#39;informazione integrate dalla faccia laterale e andatura sono efficace per il riconoscimento umano nel video.

Integrazione volto e andatura per riconoscimento umano a distanza in video.

&#x672C;&#x7A3F;&#x306B;&#x30AB;&#x30E1;&#x30E9;&#x5074;&#x306E;&#x30D3;&#x30E5;&#x30FC;&#x3092;&#x516C;&#x958B;&#x3059;&#x308B; noncooperating &#x306E;&#x500B;&#x4EBA;&#x306E;&#x8DDD;&#x96E2;&#x3067;&#x30D3;&#x30C7;&#x30AA;&#x3092;&#x8A8D;&#x8B58;&#x3059;&#x308B;&#x30D3;&#x30C7;&#x30AA;&#x306B;&#x57FA;&#x3065;&#x304F;&#x8A8D;&#x8B58;&#x624B;&#x6CD5;&#x3092;&#x63D0;&#x6848;&#x3057;&#x307E;&#x3059;&#x3002;&#x5074;&#x306E;&#x9854;&#x3068;&#x6B69;&#x884C;&#x306F;&#x3001;2 &#x3064;&#x306E;&#x30D0;&#x30A4;&#x30AA;&#x30E1;&#x30C8;&#x30EA;&#x30AF;&#x30B9; &#x30BD;&#x30FC;&#x30B9;&#x304B;&#x3089;&#x306E;&#x60C5;&#x5831;&#x3092;&#x5229;&#x7528;&#x304A;&#x3088;&#x3073;&#x8A8D;&#x8B58;&#x306E;&#x305F;&#x3081;&#x306E;&#x7D71;&#x5408;&#x3057;&#x307E;&#x3059;&#x3002;&#x5074;&#x306E;&#x9854;&#x306E;&#x305F;&#x3081;&#x3001;&#x8907;&#x6570;&#x306E;&#x30D3;&#x30C7;&#x30AA; &#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x304B;&#x3089;&#x9854;&#x60C5;&#x5831;&#x3092;&#x7D71;&#x5408;&#x5F37;&#x5316;&#x3055;&#x308C;&#x305F;&#x5074;&#x306E;&#x9854;&#x30A4;&#x30E1;&#x30FC;&#x30B8; &#xFF08;ESFI&#xFF09;&#x3001;&#x5358;&#x4E00;&#x306E;&#x30D3;&#x30C7;&#x30AA; &#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x304B;&#x3089;&#x76F4;&#x63A5;&#x5F97;&#x3089;&#x308C;&#x305F;&#x753B;&#x50CF;&#x3068;&#x6BD4;&#x8F03;&#x3057;&#x3066;&#x3088;&#x308A;&#x9AD8;&#x3044;&#x89E3;&#x50CF;&#x5EA6;&#x306E;&#x753B;&#x50CF;&#x304C;&#x69CB;&#x7BC9;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x6B69;&#x884C;&#x306E;&#x305F;&#x3081;&#x6B69;&#x884C;&#x30A8;&#x30CD;&#x30EB;&#x30AE;&#x30FC;&#x753B;&#x50CF; &#xFF08;GEI&#xFF09;&#x3001;&#x30D3;&#x30C7;&#x30AA;&#x3067;&#x306F;&#x3001;&#x6B69;&#x884C;&#x306E;&#x6642;&#x7A7A;&#x9593;&#x7684;&#x30B3;&#x30F3;&#x30D1;&#x30AF;&#x30C8;&#x8868;&#x73FE;&#x4EBA;&#x9593;&#x6B69;&#x884C;&#x7279;&#x6027;&#x3092;&#x7279;&#x5FB4;&#x4ED8;&#x3051;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x9854;&#x3068;&#x6B69;&#x884C;&#x306E;&#x7279;&#x5FB4;&#x306F;&#x3001;&#x500B;&#x5225;&#x306B;&#x3001;&#x305D;&#x308C;&#x305E;&#x308C;&#x4E3B;&#x6210;&#x5206;&#x5206;&#x6790;&#x3068; ESFI &#x3068; GEI &#x304B;&#x3089;&#x8907;&#x6570;&#x5224;&#x5225;&#x5206;&#x6790;&#x6CD5;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x53D6;&#x5F97;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x305D;&#x306E;&#x5F8C;&#x3001;&#x7570;&#x306A;&#x308B;&#x878D;&#x5408;&#x6226;&#x7565;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3001;&#x4E00;&#x81F4;&#x30B9;&#x30B3;&#x30A2; &#x30EC;&#x30D9;&#x30EB;&#x3067;&#x7D71;&#x5408;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306F; 7 &#x30AB;&#x6708;&#x53CE;&#x96C6;&#x3055;&#x308C;&#x307E;&#x3059; 45 &#x4EBA;&#x306B;&#x5BFE;&#x5FDC;&#x3059;&#x308B;&#x30D3;&#x30C7;&#x30AA;&#x306E;&#x30B7;&#x30FC;&#x30B1;&#x30F3;&#x30B9;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9;&#x3067;&#x30C6;&#x30B9;&#x30C8;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x7570;&#x306A;&#x308B;&#x878D;&#x5408;&#x624B;&#x6CD5;&#x3068;&#x6BD4;&#x8F03;&#x3057;&#x3066;&#x5206;&#x6790;&#x3057;&#x3001;&#x3067;&#x3059;&#x3002;&#x5B9F;&#x9A13;&#x306E;&#x7D50;&#x679C;&#x3092;&#x793A;&#x3059;: 1) ESFI &#x304B;&#x3089;&#x306E;&#x8907;&#x6570;&#x306E;&#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x3092;&#x69CB;&#x7BC9;&#x3059;&#x308B;&#x306E;&#x30A2;&#x30A4;&#x30C7;&#x30A2;&#x304C;&#x30D3;&#x30C7;&#x30AA;&#x3067;&#x306F;&#x3001;&#x4EBA;&#x9593;&#x306E;&#x8A8D;&#x8B58;&#x306E;&#x305F;&#x3081;&#x306E;&#x6709;&#x671B;&#x306A;&#x3068;&#x3088;&#x308A;&#x826F;&#x3044;&#x9854;&#x306E;&#x7279;&#x5FB4;&#x304B;&#x3089;&#x5143;&#x306E;&#x5074;&#x306E;&#x9854;&#x306E;&#x753B;&#x50CF; (OSFIs); &#x306B;&#x6BD4;&#x3079;&#x3066; ESFI &#x304B;&#x3089;&#x62BD;&#x51FA;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;2&#xFF09; &#x9854;&#x3068;&#x6B69;&#x884C;&#x306E;&#x540C;&#x671F;&#x306F;&#x9854;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8; ESFI &#x3068;&#x6B69;&#x884C;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8; GEI &#x306E;&#x5FC5;&#x8981;&#x306F;&#x3042;&#x308A;&#x307E;&#x305B;&#x3093;&#x3002;&#x5408;&#x6210;&#x8A66;&#x5408;&#x30B9;&#x30B3;&#x30A2;&#x304B;&#x3089;&#x305D;&#x308C;&#x3089;&#x306E;&#x60C5;&#x5831;&#x3092;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x3066;;3)&#x3001;&#x7D71;&#x5408;&#x60C5;&#x5831;&#x5074;&#x306E;&#x9854;&#x3068;&#x6B69;&#x884C;&#x304B;&#x3089;&#x306E;&#x4EBA;&#x9593;&#x306E;&#x8A8D;&#x8B58;&#x30D3;&#x30C7;&#x30AA;&#x306E;&#x52B9;&#x679C;&#x7684;&#x3067;&#x3059;&#x3002;

&#x9854;&#x3068;&#x6B69;&#x884C;&#x306E;&#x8DDD;&#x96E2;&#x30D3;&#x30C7;&#x30AA;&#x3067;&#x4EBA;&#x9593;&#x306E;&#x8A8D;&#x8B58;&#x306E;&#x305F;&#x3081;&#x306E;&#x7D71;&#x5408;&#x3002;

&#xC774; &#xC885;&#xC774; &#xC0AC;&#xC774;&#xB4DC; &#xBDF0; &#xCE74;&#xBA54;&#xB77C;&#xB97C; &#xB178;&#xCD9C; &#xBE44;&#xB514;&#xC624;&#xC5D0;&#xC11C; &#xAC70;&#xB9AC;&#xC5D0;&#xC11C; noncooperating &#xAC1C;&#xC778;&#xC774; &#xC778;&#xC2DD; &#xD558;&#xB3C4;&#xB85D; &#xC0C8;&#xB85C;&#xC6B4; &#xBE44;&#xB514;&#xC624; &#xAE30;&#xBC18; &#xC778;&#xC2DD; &#xBC29;&#xBC95;&#xC744; &#xC18C;&#xAC1C; &#xD569;&#xB2C8;&#xB2E4;. &#xCE21;&#xBA74; &#xC5BC;&#xAD74;&#xACFC; &#xAC78;&#xC74C; &#xAC78;&#xC774;, 2 &#xC0DD;&#xCCB4; &#xC778;&#xC2DD; &#xC18C;&#xC2A4;&#xC5D0;&#xC11C; &#xC815;&#xBCF4;&#xB97C; &#xD65C;&#xC6A9; &#xD558; &#xACE0; &#xC778;&#xC2DD;&#xC744; &#xC704;&#xD55C; &#xD1B5;&#xD569;. &#xCE21;&#xBA74; &#xC5BC;&#xAD74;, &#xC5EC;&#xB7EC; &#xBE44;&#xB514;&#xC624; &#xD504;&#xB808;&#xC784;&#xC5D0;&#xC11C; &#xC5BC;&#xAD74; &#xC815;&#xBCF4;&#xB97C; &#xD1B5;&#xD569; &#xD558;&#xB294; &#xD5A5;&#xC0C1; &#xB41C; &#xCE21;&#xBA74; &#xC5BC;&#xAD74; &#xC774;&#xBBF8;&#xC9C0; (ESFI), &#xB2E8;&#xC77C; &#xBE44;&#xB514;&#xC624; &#xD504;&#xB808;&#xC784;&#xC5D0;&#xC11C; &#xC9C1;&#xC811; &#xAC00;&#xC838;&#xC628; &#xC774;&#xBBF8;&#xC9C0;&#xC5D0; &#xBE44;&#xD574; &#xB354; &#xB192;&#xC740; &#xD574;&#xC0C1;&#xB3C4; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xC0DD;&#xC131; &#xB429;&#xB2C8;&#xB2E4;. &#xAC78;&#xC74C; &#xAC78;&#xC774;, &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xC5D0;&#xB108;&#xC9C0; &#xC774;&#xBBF8;&#xC9C0; (GEI), &#xBE44;&#xB514;&#xC624;, &#xAC78;&#xC74C; &#xAC78;&#xC774;&#xC758; spatio &#xC2DC;&#xAC04;&#xC801; &#xC555;&#xCD95; &#xD45C;&#xD604; &#xC778;&#xAC04; &#xC0B0;&#xCC45; &#xC18D;&#xC131;&#xC758; &#xD2B9;&#xC131;&#xC744; &#xC0AC;&#xC6A9; &#xB429;&#xB2C8;&#xB2E4;. &#xC5BC;&#xAD74; &#xBC0F; &#xAC78;&#xC74C; &#xAC78;&#xC774;&#xC758; &#xAE30;&#xB2A5;&#xC744; &#xAC01;&#xAC01; &#xC8FC;&#xC131;&#xBD84; &#xBD84;&#xC11D;&#xACFC; ESFI GEI&#xC5D0;&#xC11C; &#xC5EC;&#xB7EC; &#xC904;&#xC774;&#xAE30; &#xC704;&#xD574;&#xC11C;&#xB294; &#xD310;&#xBCC4;&#xC2DD; &#xACB0;&#xD569; &#xBD84;&#xC11D; &#xBC29;&#xBC95;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xBCC4;&#xB3C4;&#xB85C; &#xC5BB;&#xC744; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xADF8;&#xB7F0; &#xB2E4;&#xC74C; &#xB2E4;&#xB978; &#xC735;&#xD569; &#xC804;&#xB7B5;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC77C;&#xCE58; &#xC810;&#xC218; &#xC218;&#xC900;&#xC5D0;&#xC11C; &#xD1B5;&#xD569; &#xB429;&#xB2C8;&#xB2E4;. 7 &#xAC1C;&#xC6D4; &#xB3D9;&#xC548; &#xC218;&#xC9D1;&#xD55C; 45 &#xBA85;&#xC5D0; &#xD574;&#xB2F9; &#xD558;&#xB294; &#xBE44;&#xB514;&#xC624; &#xC2DC;&#xD000;&#xC2A4;&#xC758; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4;&#xC5D0; &#xC811;&#xADFC; &#xD14C;&#xC2A4;&#xD2B8;. &#xB2E4;&#xB978; &#xD4E8;&#xC804; &#xBA54;&#xC11C;&#xB4DC;&#xB294; &#xBE44;&#xAD50; &#xD558; &#xACE0; &#xBD84;&#xC11D; &#xD588;&#xB2E4;. &#xC2E4;&#xD5D8; &#xACB0;&#xACFC; &#xD45C;&#xC2DC; &#xD558;&#xB294;: 1) &#xC5EC;&#xB7EC; &#xD504;&#xB808;&#xC784;&#xC5D0;&#xC11C; ESFI &#xAC74;&#xC124;&#xC758; &#xC544;&#xC774;&#xB514;&#xC5B4; &#xBE44;&#xB514;&#xC624;, &#xC778;&#xAC04;&#xC758; &#xC778;&#xC2DD;&#xC5D0; &#xB300; &#xD55C; &#xC57D;&#xC18D; &#xC774;&#xBA70; &#xB354; &#xB098;&#xC740; &#xC5BC;&#xAD74; &#xAE30;&#xB2A5;&#xC744; &#xC6D0;&#xB798; &#xCE21;&#xBA74; &#xC5BC;&#xAD74; &#xC774;&#xBBF8;&#xC9C0; (OSFIs);&#xC5D0;&#xC11C; &#xC774;&#xB4E4;&#xC5D0; &#xBE44;&#xD574; ESFI&#xC5D0;&#xC11C; &#xCD94;&#xCD9C; 2) &#xC5BC;&#xAD74; &#xBC0F; &#xAC78;&#xC74C; &#xAC78;&#xC774;&#xC758; &#xB3D9;&#xAE30;&#xD654;&#xAC00; &#xD544;&#xC694;&#xD55C; &#xC11C;&#xC2DD; &#xD30C;&#xC77C; ESFI &#xC5BC;&#xAD74; &#xBC0F; &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xD15C;&#xD50C;&#xB9BF; GEI; &#xD569;&#xC131; &#xACBD;&#xAE30; &#xC810;&#xC218; &#xACB0;&#xD569; &#xC815;&#xBCF4; &#xACE0; 3) &#xD1B5;&#xD569;&#xB41C; &#xC815;&#xBCF4; &#xCE21;&#xBA74; &#xC5BC;&#xAD74;&#xACFC; &#xAC78;&#xC74C; &#xAC78;&#xC774;&#xB97C; &#xBE44;&#xB514;&#xC624;&#xC5D0; &#xC778;&#xAC04;&#xC758; &#xC778;&#xC2DD;&#xC5D0; &#xB300; &#xD55C; &#xD6A8;&#xACFC;&#xC801;&#xC785;&#xB2C8;&#xB2E4;.

&#xC5BC;&#xAD74; &#xBC0F; &#xAC78;&#xC74C; &#xAC78;&#xC774; &#xBE44;&#xB514;&#xC624;&#xC5D0;&#xC11C; &#xAC70;&#xB9AC;&#xC5D0;&#xC11C; &#xC778;&#xAC04;&#xC758; &#xC778;&#xC2DD;&#xC5D0; &#xB300; &#xD55C; &#xD1B5;&#xD569;.

Este trabajo presenta un nuevo m&eacute;todo de reconocimiento basada en video para reconocer a individuos noncooperating a una distancia en video que exponen vistas laterales a la c&aacute;mara. Informaci&oacute;n de dos fuentes de biometr&iacute;a, cara lateral y marcha, es utilizada e integrado para el reconocimiento. Para la cara lateral, una imagen mejorada de cara lateral (ESFI), una mayor resoluci&oacute;n de imagen en comparaci&oacute;n con la imagen obtenida directamente de un solo fotograma de v&iacute;deo, se construye, que integra informaci&oacute;n cara de m&uacute;ltiples fotogramas de v&iacute;deo. Marcha, la imagen de la energ&iacute;a del paso (GEI), una representaci&oacute;n compacta espacio-temporal de la marcha en video, se utiliza para caracterizar las propiedades humanos-caminar. Las caracter&iacute;sticas de la cara y la marcha se obtienen por separado usando el an&aacute;lisis de componentes principales y el m&eacute;todo de an&aacute;lisis combinado de discriminante m&uacute;ltiple de ESFI y GEI, respectivamente. Entonces se integran en el nivel de calificaci&oacute;n del partido mediante el uso de estrategias de fusi&oacute;n diferentes. El enfoque es probado en una base de datos de secuencias de v&iacute;deo, correspondiente a 45 personas, que se recogen m&aacute;s de siete meses. Los m&eacute;todos de fusi&oacute;n diferentes se comparan y analizan. Los resultados experimentales muestran que: 1) la idea de construir ESFI de varios fotogramas es prometedor para el reconocimiento humano en video, y mejores rasgos se extraen ESFI comparado con los de las im&aacute;genes originales de la cara lateral (OSFIs); 2) la sincronizaci&oacute;n de cara y de paso no es necesaria para la plantilla de cara ESFI y marcha plantilla GEI; las puntuaciones del partido sint&eacute;tico combinan informaci&oacute;n de ellos; y 3) una informaci&oacute;n integrada de la cara lateral y marcha es eficaz para el reconocimiento humano en video.

Integraci&oacute;n de cara y paso para el reconocimiento humano a una distancia en video.

&#x5927;&#x591A;&#x6570;&#x73B0;&#x6709;&#x7684;&#x5DE5;&#x4F5C;&#xFF0C;&#x5728;&#x8BA1;&#x7B97;&#x673A;&#x89C6;&#x89C9;&#x4E2D;&#x7684; 3D &#x5BF9;&#x8C61;&#x8BC6;&#x522B;&#x5DF2;&#x8BA4;&#x8BC6;&#x5230;&#x4E0D;&#x540C;&#x7684;&#x5BF9;&#x8C61;&#x4F7F;&#x7528;&#x7684;&#x5C0F;&#x578B;&#x6570;&#x636E;&#x5E93;&#x3002;&#x5FEB;&#x901F;&#x7D22;&#x5F15;&#x548C;&#x9AD8;&#x5EA6;&#x7C7B;&#x4F3C;&#x7684;&#x5BF9;&#x8C61;&#x7684;&#x8BC6;&#x522B;&#xFF0C;&#x672C;&#x6587;&#x63D0;&#x51FA;&#x4E00;&#x79CD;&#x65B0;&#x7684;&#x65B9;&#x6CD5;&#x76F8;&#x7ED3;&#x5408;&#x7684;&#x8868;&#x9762;&#x63CF;&#x8FF0;&#x7B26;&#x3001; &#x65B0;&#x9896;&#x7684;&#x76F8;&#x4F3C;&#x6027;&#x5EA6;&#x91CF;&#x65B9;&#x6CD5;&#x7684;&#x4FE1;&#x4EF6;&#x548C;&#x652F;&#x6301;&#x5411;&#x91CF;&#x673A; (SVM) &#x5FEB;&#x901F;&#x68C0;&#x7D22;&#x5D4C;&#x5165;&#x7684;&#x529F;&#x80FD;-&#x57FA;&#x4E8E;&#x5B66;&#x4E60;&#x6280;&#x672F;&#x6392;&#x540D;&#x5047;&#x8BF4;&#x3002;&#x672C;&#x5730;&#x8868;&#x9762;&#x4FEE;&#x8865;&#x7A0B;&#x5E8F; (LSP) &#x4EE3;&#x8868;&#x7528;&#x4E8E;&#x67E5;&#x627E;&#x6A21;&#x578B;&#x8BD5;&#x9A8C;&#x5BF9;&#x4E4B;&#x95F4;&#x7684;&#x5BF9;&#x5E94;&#x5173;&#x7CFB;&#x3002;&#x7531;&#x4E8E;&#x5176;&#x9AD8;&#x7684;&#x7EF4;&#x6570;&#xFF0C;&#x5D4C;&#x5165;&#x7B97;&#x6CD5;&#x7528;&#x4E8E;&#x6620;&#x5C04;&#x5230;&#x4FDD;&#x7559;&#x7684;&#x8DDD;&#x79BB;&#x5173;&#x7CFB;&#x7684;&#x4E00;&#x4E2A;&#x4F4E;&#x7EF4;&#x7A7A;&#x95F4;&#x7684;&#x7279;&#x5F81;&#x5411;&#x91CF;&#x3002;&#x901A;&#x8FC7;&#x4F4E;&#x7EF4;&#x5EA6;&#x4E2D;&#x641C;&#x7D22;&#x6700;&#x63A5;&#x8FD1;&#x7684;&#x90BB;&#x5C45;&#xFF0C;&#x4E00;&#x4E2A;&#x6A21;&#x578B;&#x8BD5;&#x9A8C;&#x5BF9;&#x4E4B;&#x95F4;&#x7684;&#x76F8;&#x4F3C;&#x6027;&#x8BA1;&#x7B97;&#x4F7F;&#x7528;&#x7684;&#x65B0;&#x529F;&#x80FD;&#x3002;&#x5BF9;&#x6240;&#x6709;&#x6A21;&#x578B;&#x8BD5;&#x9A8C;&#x7684;&#x76F8;&#x4F3C;&#x4E4B;&#x5904;&#x88AB;&#x6392;&#x540D;&#x4F7F;&#x7528;&#x7684;&#x5B66;&#x4E60;&#x7B97;&#x6CD5;&#x6765;&#x751F;&#x6210;&#x4E00;&#x4E2A;&#x5019;&#x9009;&#x6A21;&#x578B;&#x8FDB;&#x884C;&#x9A8C;&#x8BC1;&#x7684;&#x7B80;&#x77ED;&#x5217;&#x8868;&#x3002;&#x901A;&#x8FC7;&#x5BF9;&#x9F50;&#x4E0E;&#x6D4B;&#x8BD5;&#x5BF9;&#x8C61;&#x6A21;&#x578B;&#x6267;&#x884C;&#x9A8C;&#x8BC1;&#x3002;&#x5B9E;&#x9A8C;&#x7684;&#x7ED3;&#x679C;&#xFF0C;&#x5411;&#x57FA;&#x5CA9;&#x7684;&#x6570;&#x636E;&#x96C6; (302 &#x4E3B;&#x9898; 604 &#x56FE;&#x50CF;) &#x548C; UCR &#x6570;&#x636E;&#x96C6; (155 &#x4E3B;&#x9898; 902 &#x56FE;&#x50CF;) &#x5305;&#x542B; 3D &#x7684;&#x4EBA;&#x7C7B;&#x8033;&#x6735;&#x4E0A;&#x63D0;&#x4EA4;&#xFF0C;&#x5E76;&#x4E0E;&#x51E0;&#x4F55;&#x7684;&#x54C8;&#x5E0C;&#x6280;&#x672F;&#x8868;&#x73B0;&#x51FA;&#x7684;&#x6548;&#x7387;&#x548C;&#x6548;&#x529B;&#x7684;&#x62DF;&#x8BAE;&#x7684;&#x529E;&#x6CD5;&#x76F8;&#x6BD4;&#x3002;

&#x9AD8;&#x5EA6;&#x7C7B;&#x4F3C; 3D &#x7684;&#x6709;&#x6548;&#x8BC6;&#x522B;&#x8303;&#x56F4;&#x56FE;&#x50CF;&#x4E2D;&#x7684;&#x5BF9;&#x8C61;&#x3002;

Most existing work in 3D object recognition in computer vision has been on recognizing dissimilar objects using a small database. For rapid indexing and recognition of highly similar objects, this paper proposes a novel method which combines the feature embedding for the fast retrieval of surface descriptors, novel similarity measures for correspondence and a support vector machine (SVM)-based learning technique for ranking the hypotheses. The local surface patch (LSP) representation is used to find the correspondences between a model-test pair. Due to its high dimensionality, an embedding algorithm is used that maps the feature vectors to a low-dimensional space where distance relationships are preserved. By searching the nearest neighbors in low dimensions, the similarity between a model-test pair is computed using the novel features. The similarities for all model-test pairs are ranked using the learning algorithm to generate a short list of candidate models for verification. The verification is performed by aligning a model with the test object. The experimental results, on the UND dataset (302 subjects with 604 images) and the UCR dataset (155 subjects with 902 images) that contain 3D human ears, are presented and compared with the geometric hashing technique to demonstrate the efficiency and effectiveness of the proposed approach.

Efficient recognition of highly similar 3D objects in range images.

La plupart des travaux existants dans la reconnaissance des objets 3D en vision par ordinateur a &eacute;t&eacute; sur la reconnaissance des diff&eacute;rents objets &agrave; l&#39;aide d&#39;une petite base de donn&eacute;es. Pour l&#39;indexation rapide et la reconnaissance d&#39;objets tr&egrave;s similaires, le pr&eacute;sent document propose une m&eacute;thode originale qui combine la fonctionnalit&eacute; d&#39;int&eacute;gration pour la r&eacute;cup&eacute;ration rapide des descripteurs de surfaces, des mesures de similarit&eacute; de roman pour la correspondance et une machine de vecteur de support (SVM)-apprentissage technique pour les hypoth&egrave;ses de classement. La repr&eacute;sentation locale surface patch (LSP) est utilis&eacute;e pour rechercher les correspondances entre une paire de mod&egrave;le-test. En raison de sa haute dimensionnalit&eacute;, un algorithme d&#39;encastrement est utilis&eacute; qui mappe les vecteurs de la fonction &agrave; un espace de faible dimension o&ugrave; sont conserv&eacute;es les relations de la distance. En cherchant les plus proches voisins dans faibles dimensions, la similitude entre une paire de mod&egrave;le-test est calcul&eacute;e en utilisant les nouvelles fonctionnalit&eacute;s. Les similitudes pour toutes les paires de mod&egrave;le-test sont class&eacute;s &agrave; l&#39;aide de l&#39;algorithme d&#39;apprentissage pour g&eacute;n&eacute;rer une liste restreinte de mod&egrave;les pour v&eacute;rification. La v&eacute;rification est effectu&eacute;e en alignant un mod&egrave;le avec l&#39;objet du test. Les r&eacute;sultats exp&eacute;rimentaux, sur le dataset UND (302 sujets avec 604 images) et le groupe de donn&eacute;es UCR (155 sujets avec 902 images) qui contiennent de l&#39;oreille humaine 3D, et les compare avec la technique de hachage g&eacute;om&eacute;trique pour d&eacute;montrer l&#39;efficacit&eacute; et l&#39;efficacit&eacute; de l&#39;approche propos&eacute;e.

Reconnaissance efficace des objets 3D tr&egrave;s similaires dans les images de la plage.

Die meisten vorhandenen Arbeit in 3D Objekterkennung in Computervision wurde auf unterschiedliche Objekte mit eine kleine Datenbank zu erkennen. F&uuml;r schnelle Indizierung und Anerkennung sehr &auml;hnlicher Objekte, dieses Papier schl&auml;gt eine neuartige Methode kombiniert die Funktion f&uuml;r die schnelle Wiederherstellung der Oberfl&auml;che Deskriptoren, Roman &Auml;hnlichkeit Ma&szlig;nahmen f&uuml;r Korrespondenz und eine St&uuml;tzvektormaschine (SVM) einbetten-Technik f&uuml;r das ranking der Hypothesen zu lernen. Die lokalen Oberfl&auml;che Patch (LSP)-Darstellung wird verwendet, um die Korrespondenzen zwischen ein paar Modell-Test zu finden. Aufgrund seiner hohen Dimensionalit&auml;t ist ein einbetten Algorithmus verwendet, der die Funktion Vektoren einen niedrigdimensionalen Raum zugeordnet wo Distanz Beziehungen beibehalten werden. Durch die Suche nach die n&auml;chsten Nachbarn in niedrigen Dimensionen, die &Auml;hnlichkeit zwischen einem Modell-Test erfolgt unter Verwendung der neuartigen Merkmalen. Die &Auml;hnlichkeiten f&uuml;r alle Modell-Test-Paare werden geordnet, mit dem Lernalgorithmus, um eine kurze Liste der Kandidaten-Modelle zur &Uuml;berpr&uuml;fung zu generieren. Die &Uuml;berpr&uuml;fung erfolgt durch ein Modell mit dem Testobjekt ausrichten. Die experimentellen Ergebnisse UND Dataset (302 Themen mit 604 Bilder) und die UCR-Dataset (155 Themen mit 902 Bilder), die 3D menschliche Ohren, enthalten sind dargestellt und verglichen mit der geometrischen Hash-Technik um die Effizienz und Wirksamkeit der vorgeschlagenen Ansatz zu demonstrieren.

Effiziente Anerkennung sehr &auml;hnlicher 3D Objekte im Bereich Bilder.

La maggior parte dei lavori esistenti nel riconoscimento di oggetti 3D in computer vision sono stato il riconoscimento degli oggetti dissimili utilizzando un database di piccole dimensioni. Per rapida indicizzazione e riconoscimento di oggetti molto simili, questo libro propone un nuovo metodo che combina la funzione di incorporamento per il recupero rapido dei descrittori di superfici, misure di similarit&agrave; romanzo per corrispondenza e una macchina di vettore di sostegno (SVM)-base tecnica per classificare le ipotesi di apprendimento. La rappresentazione di patch di superficie locali (LSP) viene utilizzata per trovare le corrispondenze tra una coppia di modello-prova. A causa della sua alta dimensionalit&agrave;, viene utilizzato un algoritmo incorporamento che esegue il mapping a un basso-dimensionale spazio dove sono conservati i rapporti di distanza i vettori di feature. Ricercando i vicini pi&ugrave; vicini in bassi dimensioni, la somiglianza tra un paio di test di modello &egrave; calcolata utilizzando le caratteristiche del romanzo. Le somiglianze per tutte le coppie di prova di modello sono classificate usando l&#39;algoritmo di apprendimento per generare un breve elenco di modelli di candidati per la verifica. La verifica &egrave; eseguita da allineare un modello con l&#39;oggetto di prova. I risultati sperimentali, su dataset UND (302 soggetti con 604 immagini) e il dataset UCR (155 soggetti con 902 immagini) che contengono le orecchie umane 3D, sono presentati e confrontati con la tecnica di hashing geometrica per dimostrare l&#39;efficienza e l&#39;efficacia dell&#39;approccio proposto.

Efficiente riconoscimento di oggetti 3D altamente simili nelle immagini di gamma.

&#x30B3;&#x30F3;&#x30D4;&#x30E5;&#x30FC;&#x30BF; &#x30D3;&#x30B8;&#x30E7;&#x30F3;&#x306B;&#x304A;&#x3051;&#x308B; 3 D &#x7269;&#x4F53;&#x8A8D;&#x8B58;&#x306B;&#x304A;&#x3051;&#x308B;&#x307B;&#x3068;&#x3093;&#x3069;&#x306E;&#x65E2;&#x5B58;&#x306E;&#x4F5C;&#x696D;&#x306F;&#x3001;&#x5C0F;&#x3055;&#x306A;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x7570;&#x7A2E;&#x306E;&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x3092;&#x8A8D;&#x8B58;&#x3059;&#x308B;&#x3053;&#x3068;&#x306B;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x6025;&#x901F;&#x306A;&#x30A4;&#x30F3;&#x30C7;&#x30C3;&#x30AF;&#x30B9;&#x4F5C;&#x6210;&#x3068;&#x304D;&#x308F;&#x3081;&#x3066;&#x985E;&#x4F3C;&#x3057;&#x305F;&#x7269;&#x4F53;&#x306E;&#x8A8D;&#x8B58;&#x306B;&#x3064;&#x3044;&#x3066;&#x306F;&#x3001;&#x8868;&#x9762;&#x306E;&#x8A18;&#x8FF0;&#x5B50;&#x3001;&#x5C0F;&#x8AAC;&#x985E;&#x4F3C;&#x5EA6;&#x5BFE;&#x5FDC;&#x306E;&#x305F;&#x3081;&#x3001;&#x30B5;&#x30DD;&#x30FC;&#x30C8; &#x30D9;&#x30AF;&#x30C8;&#x30EB; &#x30DE;&#x30B7;&#x30F3; (SVM) &#x306E;&#x9AD8;&#x901F;&#x691C;&#x7D22;&#x306E;&#x305F;&#x3081;&#x306E;&#x57CB;&#x3081;&#x8FBC;&#x307F;&#x6A5F;&#x80FD;&#x3092;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x305F;&#x624B;&#x6CD5;&#x3092;&#x63D0;&#x6848;-&#x4EEE;&#x8AAC;&#x306E;&#x30E9;&#x30F3;&#x30AD;&#x30F3;&#x30B0;&#x624B;&#x6CD5;&#x3092;&#x5B66;&#x7FD2;&#x3057;&#x307E;&#x3059;&#x3002;&#x30ED;&#x30FC;&#x30AB;&#x30EB;&#x8868;&#x9762;&#x30D1;&#x30C3;&#x30C1; (LSP) &#x8868;&#x73FE;&#x30E2;&#x30C7;&#x30EB; &#x30C6;&#x30B9;&#x30C8; &#x30DA;&#x30A2;&#x9593;&#x306E;&#x5BFE;&#x5FDC;&#x3092;&#x898B;&#x3064;&#x3051;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x305D;&#x306E;&#x9AD8;&#x6B21;&#x5143;&#x306B;&#x3088;&#x308B;&#x57CB;&#x3081;&#x8FBC;&#x307F;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x7279;&#x5FB4;&#x30D9;&#x30AF;&#x30C8;&#x30EB;&#x306E;&#x8DDD;&#x96E2;&#x306E;&#x30EA;&#x30EC;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x30B7;&#x30C3;&#x30D7;&#x304C;&#x7DAD;&#x6301;&#x3055;&#x308C;&#x308B;&#x4F4E;&#x6B21;&#x5143;&#x7A7A;&#x9593;&#x306B;&#x30DE;&#x30C3;&#x30D7;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x4F4E;&#x6B21;&#x5143;&#x3067;&#x6700;&#x3082;&#x8FD1;&#x3044;&#x96A3;&#x4EBA;&#x3092;&#x691C;&#x7D22;&#x3059;&#x308B;&#x3053;&#x3068;&#x306B;&#x3088;&#x3063;&#x3066;&#x3001;&#x30E2;&#x30C7;&#x30EB; &#x30C6;&#x30B9;&#x30C8; &#x30DA;&#x30A2;&#x9593;&#x306E;&#x985E;&#x4F3C;&#x6027;&#x306F;&#x3001;&#x65AC;&#x65B0;&#x306A;&#x6A5F;&#x80FD;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x8A08;&#x7B97;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x3059;&#x3079;&#x3066;&#x306E;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x30C6;&#x30B9;&#x30C8;&#x7D44;&#x306E;&#x985E;&#x4F3C;&#x70B9;&#x5019;&#x88DC;&#x30E2;&#x30C7;&#x30EB;&#x691C;&#x8A3C;&#x306E;&#x305F;&#x3081;&#x306E;&#x77ED;&#x3044;&#x30EA;&#x30B9;&#x30C8;&#x3092;&#x751F;&#x6210;&#x3059;&#x308B;&#x5B66;&#x7FD2;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x30E9;&#x30F3;&#x30AF;&#x4ED8;&#x3051;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x691C;&#x8A3C;&#x30E2;&#x30C7;&#x30EB; &#x30C6;&#x30B9;&#x30C8; &#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x3092;&#x914D;&#x7F6E;&#x3059;&#x308B;&#x3053;&#x3068;&#x306B;&#x3088;&#x308A;&#x5B9F;&#x884C;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;UND &#x30C7;&#x30FC;&#x30BF;&#x30BB;&#x30C3;&#x30C8; &#xFF08;604 &#x753B;&#x50CF;&#x3068; 302 &#x79D1;&#x76EE;&#xFF09; &#x3068; 3 D &#x306E;&#x4EBA;&#x9593;&#x306E;&#x8033;&#x3092;&#x542B;&#x3080; UCR &#x30C7;&#x30FC;&#x30BF;&#x30BB;&#x30C3;&#x30C8; (902 &#x753B;&#x50CF; 155 &#x79D1;&#x76EE;) &#x306E;&#x5B9F;&#x9A13;&#x7D50;&#x679C;&#x3092;&#x63D0;&#x793A;&#x3057;&#x3001;&#x52B9;&#x7387;&#x3068;&#x63D0;&#x6848;&#x624B;&#x6CD5;&#x306E;&#x6709;&#x52B9;&#x6027;&#x3092;&#x793A;&#x3059;&#x305F;&#x3081;&#x306B;&#x3001;&#x5E7E;&#x4F55;&#x5B66;&#x7684;&#x30CF;&#x30C3;&#x30B7;&#x30E5;&#x624B;&#x6CD5;&#x3068;&#x306E;&#x6BD4;&#x8F03;&#x3057;&#x307E;&#x3059;&#x3002;

&#x8DDD;&#x96E2;&#x753B;&#x50CF;&#x306E;&#x985E;&#x4F3C;&#x6027;&#x306E;&#x9AD8;&#x3044; 3 D &#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x306E;&#x52B9;&#x7387;&#x7684;&#x306A;&#x8A8D;&#x8B58;&#x3002;

&#xB300;&#xBD80;&#xBD84;&#xC758; &#xAE30;&#xC874; &#xC791;&#xC5C5; &#xCEF4;&#xD4E8;&#xD130; &#xBE44;&#xC804;&#xC5D0;&#xC11C; 3D &#xAC1C;&#xCCB4; &#xC778;&#xC2DD; &#xC791;&#xC740; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC11C;&#xB85C; &#xB2E4;&#xB978; &#xAC1D;&#xCCB4;&#xB97C; &#xC778;&#xC2DD; &#xD558;&#xACE0;&#xC788;&#xB2E4;. &#xBE60;&#xB978; &#xC778;&#xB371;&#xC2F1; &#xBC0F; &#xB9E4;&#xC6B0; &#xBE44;&#xC2B7;&#xD55C; &#xAC1C;&#xCCB4;&#xC758; &#xC778;&#xC2DD;&#xC5D0; &#xB300; &#xD55C;&#xC774; &#xC885;&#xC774; &#xD45C;&#xBA74; &#xC124;&#xBA85;&#xC790;, &#xC11C;&#xC2E0;&#xC5D0; &#xB300; &#xD55C; &#xC18C;&#xC124; &#xC720;&#xC0AC;&#xC131; &#xCE21;&#xC815; &#xBC0F; &#xC9C0;&#xC6D0; &#xBCA1;&#xD130; &#xAE30;&#xACC4; (SVM)&#xC758; &#xBE60;&#xB978; &#xAC80;&#xC0C9;&#xC744; &#xC704;&#xD574; &#xD3EC;&#xD568; &#xD558;&#xB294; &#xAE30;&#xB2A5;&#xC744; &#xACB0;&#xD569; &#xD558;&#xB294; &#xC0C8;&#xB85C;&#xC6B4; &#xBC29;&#xBC95; &#xC81C;&#xC548;-&#xAE30;&#xBC18; &#xC21C;&#xC704; &#xAC00;&#xC124;&#xC5D0; &#xB300; &#xD55C; &#xAE30;&#xC220; &#xD559;&#xC2B5;. &#xB85C;&#xCEEC; &#xD45C;&#xBA74; &#xD328;&#xCE58; (LSP) &#xD45C;&#xD604; &#xBAA8;&#xB378; &#xD14C;&#xC2A4;&#xD2B8; &#xC30D; &#xC0AC;&#xC774; correspondences&#xB97C; &#xCC3E;&#xB294; &#xB370; &#xC0AC;&#xC6A9; &#xB429;&#xB2C8;&#xB2E4;. &#xADF8;&#xAC83;&#xC758; &#xB192;&#xC740; &#xCC28;&#xC6D0; &#xD3EC;&#xD568; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xC0AC;&#xC6A9; &#xAE30;&#xB2A5; &#xBCA1;&#xD130; &#xAC70;&#xB9AC; &#xAD00;&#xACC4;&#xB97C; &#xC720;&#xC9C0; &#xD558;&#xB294; &#xB0AE;&#xC740; &#xCC28;&#xC6D0; &#xACF5;&#xAC04;&#xC5D0; &#xB9E4;&#xD551;&#xD558;&#xB294;. &#xB0AE;&#xC740; &#xCC28;&#xC6D0;&#xC5D0;&#xC11C; &#xAC00;&#xC7A5; &#xAC00;&#xAE4C;&#xC6B4; &#xC774;&#xC6C3; &#xC0AC;&#xB78C;&#xC744; &#xAC80;&#xC0C9; &#xD558; &#xC5EC; &#xBAA8;&#xB378; &#xD14C;&#xC2A4;&#xD2B8; &#xC30D; &#xC0AC;&#xC774;&#xC758; &#xC720;&#xC0AC;&#xC131;&#xC740; &#xC18C;&#xC124; &#xAE30;&#xB2A5;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xACC4;&#xC0B0; &#xB429;&#xB2C8;&#xB2E4;. &#xBAA8;&#xB4E0; &#xBAA8;&#xB378; &#xD14C;&#xC2A4;&#xD2B8; &#xC30D;&#xC5D0; &#xB300; &#xD55C; &#xC720;&#xC0AC;&#xC131; &#xAC80;&#xC99D;&#xC744; &#xC704;&#xD55C; &#xD6C4;&#xBCF4; &#xBAA8;&#xB378;&#xC758; &#xC9E7;&#xC740; &#xBAA9;&#xB85D;&#xC744; &#xC0DD;&#xC131; &#xD558;&#xB824;&#xBA74; &#xD559;&#xC2B5; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC21C;&#xC704;&#xAC00; &#xACB0;&#xC815; &#xB429;&#xB2C8;&#xB2E4;. &#xD655;&#xC778; &#xD14C;&#xC2A4;&#xD2B8; &#xAC1C;&#xCCB4;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xBAA8;&#xB378;&#xC744; &#xC815;&#xB82C; &#xD558; &#xC5EC; &#xC218;&#xD589; &#xB429;&#xB2C8;&#xB2E4;. UND &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569; (604 &#xC774;&#xBBF8;&#xC9C0; 302 &#xACFC;&#xBAA9;) &#xBC0F; UCR &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569; (155 &#xACFC;&#xBAA9; 902 &#xC774;&#xBBF8;&#xC9C0;) 3D &#xC778;&#xAC04;&#xC758; &#xADC0;&#xB97C; &#xD3EC;&#xD568; &#xD558;&#xB294; &#xC2E4;&#xD5D8; &#xACB0;&#xACFC; &#xC81C;&#xC2DC; &#xD558; &#xACE0; &#xD6A8;&#xC728;&#xC131;&#xACFC; &#xC81C;&#xC548; &#xB41C; &#xBC29;&#xBC95;&#xC758; &#xD6A8;&#xACFC; &#xBCF4;&#xC5EC; &#xC8FC;&#xB294; &#xAE30;&#xD558;&#xD559;&#xC801; &#xD574;&#xC2F1; &#xAE30;&#xBC95;&#xC5D0; &#xBE44;&#xD574;.

&#xB9E4;&#xC6B0; &#xBE44;&#xC2B7;&#xD55C; 3D &#xAC1C;&#xCCB4; &#xBC94;&#xC704; &#xC774;&#xBBF8;&#xC9C0;&#xC758; &#xD6A8;&#xC728;&#xC801;&#xC778; &#xC778;&#xC2DD;.

Mayor&iacute;a de los trabajos existente en el reconocimiento de objetos 3D en visi&oacute;n por computador ha sido en el reconocimiento de objetos dis&iacute;miles con una peque&ntilde;a base de datos. Para una r&aacute;pida indexaci&oacute;n y reconocimiento de objetos muy similares, este trabajo propone un nuevo m&eacute;todo que combina la funci&oacute;n de inclusi&oacute;n para la r&aacute;pida recuperaci&oacute;n de los descriptores de la superficies, medidas de similitud novela para correspondencia y una m&aacute;quina de soporte de vectores (SVM)-basado en el aprendizaje de la t&eacute;cnica para la clasificaci&oacute;n de las hip&oacute;tesis. La representaci&oacute;n local parche superficial (LSP) se usa para encontrar las correspondencias entre un par de modelo-prueba. Debido a su alta dimensionalidad, se utiliza un algoritmo de empotrar que asigna los vectores de la caracter&iacute;stica a un espacio de bajo dimensi&oacute;n donde se conservan las relaciones de distancia. Buscando los vecinos m&aacute;s cercanos en dimensiones bajas, la similitud entre un par de pruebas modelo se calcula utilizando las caracter&iacute;sticas novedosas. Las similitudes para todos los pares de modelo-prueba se clasifican utilizando el algoritmo de aprendizaje para generar una lista de modelos de candidato para la verificaci&oacute;n. La verificaci&oacute;n se realiza mediante la alineaci&oacute;n de un modelo con el objeto de la prueba. Los resultados experimentales, en el conjunto de datos UND (302 sujetos con 604 im&aacute;genes) y el dataset de la UCR (155 sujetos con 902 im&aacute;genes) que contienen el o&iacute;do humano 3D, se presentan y en comparaci&oacute;n con la t&eacute;cnica de hashing geom&eacute;trica para demostrar la eficiencia y la eficacia del enfoque propuesto.

Eficiente reconocimiento de objetos 3D muy similares en im&aacute;genes de rango.

&#x77F3;&#x58A8;&#x70EF;&#x7684;&#x5B9E;&#x9645;&#x5E94;&#x7528;&#x9700;&#x8981;&#x9AD8;&#x541E;&#x5410;&#x91CF;&#x7684;&#x77F3;&#x58A8;&#x70EF;&#x9274;&#x5B9A;&#x548C;&#x8D28;&#x91CF;&#x63A7;&#x5236;&#xFF0C;&#x53EF;&#x4EE5;&#x7528;&#x4E8E;&#x5927;&#x578B;&#x57FA;&#x677F;&#x548C;&#x6676;&#x7247;&#x7684;&#x53EF;&#x9760;&#x65B9;&#x6CD5;&#x3002;&#x6211;&#x4EEC;&#x63D0;&#x51FA;&#x5E76;&#x901A;&#x8FC7;&#x5B9E;&#x9A8C;&#x6D4B;&#x8BD5;&#x786E;&#x5B9A;&#x77F3;&#x58A8;&#x70EF;&#x6837;&#x54C1;&#x4E2D;&#x7684;&#x539F;&#x5B50;&#x98DE;&#x673A;&#x6570;&#x91CF;&#x7684;&#x5FEB;&#x901F;&#x548C;&#x5B8C;&#x5168;&#x81EA;&#x52A8;&#x5316;&#x7684;&#x65B9;&#x6CD5;&#x3002;&#x8BE5;&#x8FC7;&#x7A0B;&#x5141;&#x8BB8;&#x539F;&#x4F4D;&#x9274;&#x5B9A;&#x5177;&#x6709;&#x76F8;&#x540C;&#x6570;&#x76EE;&#x7684;&#x539F;&#x5B50;&#x5E73;&#x9762;&#x533A;&#x57DF;&#x7684;&#x8FB9;&#x754C;&#x3002;&#x5B83;&#x57FA;&#x4E8E;&#x539F;&#x59CB;&#x56FE;&#x50CF;&#x5904;&#x7406;&#x7B97;&#x6CD5;&#xFF0C;&#x5B83;&#x5229;&#x7528;&#x663E;&#x5FAE;&#x62C9;&#x66FC;&#x5149;&#x8C31;&#x6821;&#x51C6;&#x3001; &#x6D45;&#x8272;&#x80CC;&#x666F;&#x51CF;&#x6CD5;&#x3001; &#x7167;&#x660E;&#x5747;&#x5300;&#x6027;&#x6821;&#x6B63;&#xFF0C;&#x4E3A;&#x6BCF;&#x4E2A;&#x50CF;&#x7D20;&#x7684;&#x5F69;&#x8272;&#x548C;&#x7070;&#x5EA6;&#x56FE;&#x50CF;&#x3002;&#x53D1;&#x8FBE;&#x56FD;&#x5BB6;&#x7684;&#x7ED3;&#x679C;&#x662F;&#x7A0B;&#x5E8F;&#x7684;&#x4F2A;&#x5F69;&#x8272;&#x5730;&#x56FE;&#xFF0C;&#x8FD9;&#x6807;&#x5FD7;&#x7740;&#x7531;&#x5149;&#x5B66;&#x663E;&#x5FAE;&#x955C;&#x53EF;&#x4EE5;&#x6355;&#x83B7;&#x4EFB;&#x4F55;&#x5927;&#x5C0F;&#x7684;&#x886C;&#x5E95;&#x4E0A;&#x51E0;&#x5C42;&#x548C;&#x5355;&#x5C42;&#x77F3;&#x58A8;&#x70EF;&#x5730;&#x533A;&#x3002;&#x6211;&#x4EEC;&#x7684;&#x505A;&#x6CD5;&#x9002;&#x5408;&#x4E0D;&#x540C;&#x57FA;&#x8D28;&#x548C;&#x53EF;&#x5E94;&#x7528;&#x4E8E;&#x5DE5;&#x4E1A;&#x89C4;&#x6A21;&#x7684;&#x673A;&#x68B0;&#x8131;&#x843D;&#x3001; &#x5316;&#x5B66;&#x6D3E;&#x751F;&#x3001; &#x6C89;&#x79EF;&#x6216;&#x5916;&#x5EF6;&#x77F3;&#x58A8;&#x70EF;&#x3002;

&#x9AD8;&#x541E;&#x5410;&#x91CF;&#x5927;&#x9762;&#x79EF;&#x81EA;&#x52A8;&#x8BC6;&#x522B;&#x548C;&#x77F3;&#x58A8;&#x70EF;&#x548C;&#x51E0;&#x5C42;&#x77F3;&#x58A8;&#x70EF;&#x8584;&#x819C;&#x7684;&#x8D28;&#x91CF;&#x63A7;&#x5236;&#x3002;

Practical applications of graphene require a reliable high-throughput method of graphene identification and quality control, which can be used for large-scale substrates and wafers. We have proposed and experimentally tested a fast and fully automated approach for determining the number of atomic planes in graphene samples. The procedure allows for in situ identification of the borders of the regions with the same number of atomic planes. It is based on an original image processing algorithm, which utilizes micro-Raman calibration, light background subtraction, lighting nonuniformity correction, and the color and grayscale image processing for each pixel. The outcome of the developed procedure is a pseudo color map, which marks the single-layer and few-layer graphene regions on the substrate of any size that can be captured by an optical microscope. Our approach works for various substrates and can be applied to mechanically exfoliated, chemically derived, deposited or epitaxial graphene on an industrial scale.

High-throughput large-area automated identification and quality control of graphene and few-layer graphene films.

Les applications pratiques du graph&egrave;ne n&eacute;cessitent une m&eacute;thode fiable de haut d&eacute;bit de graph&egrave;ne identification et contr&ocirc;le de la qualit&eacute;, qui peut &ecirc;tre utilis&eacute; pour des substrats &agrave; grande &eacute;chelle et des gaufrettes. Nous avons propos&eacute; et test&eacute; exp&eacute;rimentalement une approche rapide et enti&egrave;rement automatis&eacute;e pour la d&eacute;termination du nombre d&#39;avions atomiques dans des &eacute;chantillons de graph&egrave;ne. La proc&eacute;dure permet une identification in situ des fronti&egrave;res des r&eacute;gions avec le m&ecirc;me nombre de plans atomiques. Il est bas&eacute; sur un algorithme de traitement image originale, qui utilise des micro-Raman &eacute;talonnage, soustraction du fond clair, correction de non-uniformit&eacute; d&#39;&eacute;clairage et de traitement pour chaque pixel d&#39;image couleur et en niveaux de gris. Le r&eacute;sultat de la proc&eacute;dure d&eacute;velopp&eacute;e est une carte de couleur de pseudo, qui marque les r&eacute;gions monocouche et quelques couches de graph&egrave;ne sur le substrat de toute taille qui peut &ecirc;tre captur&eacute; par un microscope optique. Notre approche travaille pour divers substrats et peut &ecirc;tre appliqu&eacute;e &agrave; la m&eacute;canique exfoli&eacute;, chimiquement d&eacute;riv&eacute;, d&eacute;pos&eacute; ou &eacute;pitaxial graph&egrave;ne &agrave; l&#39;&eacute;chelle industrielle.

Haut d&eacute;bit grande surface automatis&eacute; d&#39;identification et de contr&ocirc;le de la qualit&eacute; des films de graph&egrave;ne de graph&egrave;ne et quelques couches.

Praktische Anwendungen von Graphen erfordern eine zuverl&auml;ssige Hochdurchsatz-Methode Graphen Identifikation und Qualit&auml;tskontrolle, die f&uuml;r gro&szlig;fl&auml;chige Substrate und Wafern verwendet werden kann. Wir haben vorgeschlagen und experimentell einen schnellen und vollautomatischen Ansatz zur Bestimmung der Anzahl der atomaren Flugzeuge in Graphen Proben getestet. Das Verfahren erm&ouml;glicht f&uuml;r in-situ Identifizierung der Grenzen der Regionen mit der gleichen Anzahl der atomaren Flugzeuge. Es basiert auf eine originale Bildverarbeitungsalgorithmus, die Mikro-Raman-Kalibrierung, hellem Hintergrund Subtraktion und Beleuchtungskorrektur Ungleichm&auml;&szlig;igkeit der Farb- und Graustufenbilder Bildverarbeitung f&uuml;r jedes Pixel nutzt. Die Ergebnisse des entwickelten Verfahrens ist ein Pseudo-Farbkarte, die einschichtige und paar-Ebene Graphen Regionen auf dem Substrat jeglicher Gr&ouml;&szlig;e kennzeichnet, die durch ein optisches Mikroskop erfasst werden k&ouml;nnen. Unser Ansatz arbeitet f&uuml;r verschiedene Substrate und kann auf mechanisch gebl&auml;hter, chemisch abgeleitete, hinterlegten oder epitaktischen Graphen im industriellen Ma&szlig;stab angewendet werden.

Hochdurchsatz-gro&szlig;fl&auml;chige automatisierte Identifikation und Qualit&auml;tskontrolle von Graphen und paar-Ebene Graphen-Filme.

Applicazioni pratiche di grafene richiedono un metodo affidabile di high-throughput di grafene identificazione e controllo di qualit&agrave;, che pu&ograve; essere utilizzato per substrati su larga scala e wafer. Abbiamo proposto e testato sperimentalmente un approccio veloce e completamente automatico per la determinazione del numero dei piani atomici in campioni di grafene. La procedura permette di identificazione in situ dei confini delle regioni con lo stesso numero di aerei atomici. Si basa su un algoritmo di elaborazione immagine originale, che utilizza micro-Raman calibrazione, sottrazione sfondo chiaro, correzione nonuniformity illuminazione ed elaborazione per ogni pixel dell&#39;immagine, il colore e scala di grigi. L&#39;esito della procedura sviluppata &egrave; una pseudo mappa a colori, che segna le regioni single-layer e alcuni strati di grafene su substrato di qualsiasi dimensione che pu&ograve; essere catturato da un microscopio ottico. Il nostro approccio funziona per vari substrati e pu&ograve; essere applicato a meccanicamente espansa, chimicamente derivate, depositati o epitassiale grafene su scala industriale.

Grande area di high-throughput automatizzato identificazione e controllo di qualit&agrave; di grafene e strato di alcuni film di grafene.

&#x30B0;&#x30E9;&#x30D5;&#x30A7;&#x30F3;&#x306E;&#x5B9F;&#x7528;&#x7684;&#x306A;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306F;&#x3001;&#x30B0;&#x30E9;&#x30D5;&#x30A7;&#x30F3;&#x540C;&#x5B9A;&#x3068;&#x5927;&#x578B;&#x57FA;&#x677F;&#x3001;&#x30A6;&#x30A7;&#x30FC;&#x30CF;&#x306E;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3067;&#x304D;&#x308B;&#x54C1;&#x8CEA;&#x7BA1;&#x7406;&#x306E;&#x4FE1;&#x983C;&#x6027;&#x306E;&#x9AD8;&#x3044;&#x9AD8;&#x30B9;&#x30EB;&#x30FC;&#x30D7;&#x30C3;&#x30C8;&#x65B9;&#x6CD5;&#x304C;&#x5FC5;&#x8981;&#x3067;&#x3059;&#x3002;&#x63D0;&#x6848;&#x3057;&#x3001;&#x30B0;&#x30E9;&#x30D5;&#x30A7;&#x30F3;&#x8A66;&#x6599;&#x4E2D;&#x306E;&#x539F;&#x5B50;&#x306E;&#x9762;&#x306E;&#x6570;&#x3092;&#x6C7A;&#x5B9A;&#x3059;&#x308B;&#x305F;&#x3081;&#x3001;&#x9AD8;&#x901F;&#x304B;&#x3064;&#x5B8C;&#x5168;&#x306B;&#x81EA;&#x52D5;&#x5316;&#x3055;&#x308C;&#x305F;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x5B9F;&#x9A13;&#x306B;&#x3088;&#x3063;&#x3066;&#x691C;&#x8A3C;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x30D7;&#x30ED;&#x30B7;&#x30FC;&#x30B8;&#x30E3;&#x539F;&#x5B50;&#x9762;&#x306E;&#x540C;&#x3058;&#x756A;&#x53F7;&#x3092;&#x6301;&#x3064;&#x5730;&#x57DF;&#x306E;&#x30DC;&#x30FC;&#x30C0;&#x30FC;&#x306E; in situ &#x8B58;&#x5225;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x9855;&#x5FAE;&#x30E9;&#x30DE;&#x30F3;&#x6821;&#x6B63;&#x5149;&#x306E;&#x80CC;&#x666F;&#x5DEE;&#x5206;&#x3001;&#x7167;&#x660E;&#x306E;&#x4E0D;&#x5747;&#x4E00;&#x6027;&#x306E;&#x88DC;&#x6B63;&#x3001;&#x30AB;&#x30E9;&#x30FC;&#x304A;&#x3088;&#x3073;&#x30B0;&#x30EC;&#x30FC;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x306E;&#x753B;&#x50CF;&#x3092;&#x5404;&#x30D4;&#x30AF;&#x30BB;&#x30EB;&#x306B;&#x5BFE;&#x3057;&#x3066;&#x51E6;&#x7406;&#x3092;&#x5229;&#x7528;&#x3059;&#x308B;&#x3001;&#x5143;&#x306E;&#x753B;&#x50CF;&#x51E6;&#x7406;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x958B;&#x767A;&#x3055;&#x308C;&#x305F;&#x30D7;&#x30ED;&#x30B7;&#x30FC;&#x30B8;&#x30E3;&#x306E;&#x7D50;&#x679C;&#x306F;&#x3001;&#x5149;&#x5B66;&#x9855;&#x5FAE;&#x93E1;&#x3067;&#x30AD;&#x30E3;&#x30D7;&#x30C1;&#x30E3;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x4EFB;&#x610F;&#x306E;&#x30B5;&#x30A4;&#x30BA;&#x306E;&#x57FA;&#x677F;&#x4E0A;&#x5358;&#x5C64;&#x3068;&#x5C11;&#x6570;&#x5C64;&#x30B0;&#x30E9;&#x30D5;&#x30A7;&#x30F3;&#x9818;&#x57DF;&#x3092;&#x30DE;&#x30FC;&#x30AF;&#x3059;&#x308B;&#x64EC;&#x4F3C;&#x30AB;&#x30E9;&#x30FC; &#x30DE;&#x30C3;&#x30D7;&#x3067;&#x3059;&#x3002;&#x6211;&#x3005; &#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306B;&#x5BFE;&#x3059;&#x308B;&#x57FA;&#x677F;&#x3092;&#x52D5;&#x4F5C;&#x3057;&#x3001;&#x6A5F;&#x68B0;&#x7684;&#x306B;&#x5265;&#x96E2;&#x3001;&#x5316;&#x5B66;&#x7684;&#x306B;&#x6D3E;&#x751F;&#x3001;&#x5BC4;&#x8A17;&#x53C8;&#x306F;&#x30A8;&#x30D4;&#x30BF;&#x30AD;&#x30B7;&#x30E3;&#x30EB; &#x30B0;&#x30E9;&#x30D5;&#x30A7;&#x30F3;&#x7523;&#x696D;&#x306E;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x3092;&#x9069;&#x7528;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;

&#x9AD8;&#x30B9;&#x30EB;&#x30FC;&#x30D7;&#x30C3;&#x30C8;&#x5927;&#x9762;&#x7A4D;&#x81EA;&#x52D5;&#x540C;&#x5B9A;&#x3068;&#x30B0;&#x30E9;&#x30D5;&#x30A7;&#x30F3;&#x304A;&#x3088;&#x3073;&#x5C11;&#x6570;&#x5C64;&#x30B0;&#x30E9;&#x30D5;&#x30A7;&#x30F3;&#x8584;&#x819C;&#x306E;&#x54C1;&#x8CEA;&#x7BA1;&#x7406;&#x3002;

&#xADF8;&#xB798;&#xC758; &#xC2E4;&#xC6A9;&#xC801;&#xC778; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8; &#xADF8;&#xB798; &#xC2DD;&#xBCC4; &#xBC0F; &#xB300;&#xADDC;&#xBAA8; &#xAE30;&#xD310; &#xBC0F; &#xC6E8;&#xC774;&#xD37C;&#xC5D0; &#xB300; &#xD55C; &#xC0AC;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xB294; &#xD488;&#xC9C8; &#xAD00;&#xB9AC;&#xC758; &#xC2E0;&#xB8B0;&#xC131; &#xB192;&#xC740; &#xCC98;&#xB9AC; &#xBC29;&#xBC95;&#xC774; &#xD544;&#xC694; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xAC00; &#xC81C;&#xC548; &#xD558; &#xACE0; &#xC2E4;&#xD5D8;&#xC801;&#xC73C;&#xB85C; &#xADF8;&#xB798; &#xC0D8;&#xD50C; &#xC6D0;&#xC790; &#xBE44;&#xD589;&#xAE30;&#xC758; &#xC218;&#xB97C; &#xACB0;&#xC815; &#xD558;&#xAE30; &#xC704;&#xD55C; &#xC2E0;&#xC18D; &#xD558; &#xACE0; &#xC644;&#xBCBD; &#xD558; &#xAC8C; &#xC790;&#xB3D9;&#xD654; &#xB41C; &#xC811;&#xADFC;&#xC744; &#xD14C;&#xC2A4;&#xD2B8;. &#xC808;&#xCC28;&#xB97C; &#xC6D0;&#xC790; &#xBE44;&#xD589;&#xAE30;&#xC758; &#xB3D9;&#xC77C;&#xD55C; &#xBC88;&#xD638;&#xC640; &#xC601;&#xC5ED;&#xC758; &#xD14C;&#xB450;&#xB9AC;&#xC758; &#xC6D0;&#xB798;&#xC758; &#xC7A5;&#xC18C;&#xC5D0; &#xC2DD;&#xBCC4; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xADF8;&#xAC83;&#xC740; &#xB9C8;&#xC774;&#xD06C;&#xB85C; &#xB77C;&#xB9CC; &#xAD50;&#xC815;, &#xBC1D;&#xC740; &#xBC30;&#xACBD; &#xBE7C;&#xAE30;, &#xC870;&#xBA85; nonuniformity &#xBCF4;&#xC815; &#xBC0F; &#xC0C9;&#xC0C1;&#xACFC; &#xD68C;&#xC0C9; &#xC74C;&#xC601; &#xC774;&#xBBF8;&#xC9C0;&#xC758; &#xAC01; &#xD53D;&#xC140;&#xC5D0; &#xB300; &#xD55C; &#xCC98;&#xB9AC;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC6D0;&#xB798; &#xC774;&#xBBF8;&#xC9C0; &#xCC98;&#xB9AC; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xAE30;&#xBC18;&#xC73C;&#xB85C; &#xD569;&#xB2C8;&#xB2E4;. &#xAC1C;&#xBC1C;&#xB41C; &#xC808;&#xCC28;&#xC758; &#xACB0;&#xACFC; &#xAD11;&#xD559; &#xD604;&#xBBF8;&#xACBD;&#xC5D0; &#xC758;&#xD574; &#xCEA1;&#xCC98;&#xB418;&#xB294; &#xBAA8;&#xB4E0; &#xD06C;&#xAE30;&#xC758; &#xAE30;&#xD310;&#xC5D0; &#xB2E8;&#xC77C; &#xB808;&#xC774;&#xC5B4; &#xBC0F; &#xBA87; &#xAC00;&#xC9C0; &#xB808;&#xC774;&#xC5B4; &#xADF8;&#xB798; &#xC601;&#xC5ED; &#xD45C;&#xC2DC; &#xC758;&#xC0AC; &#xC0C9; &#xC9C0;&#xB3C4;. &#xC6B0;&#xB9AC;&#xC758; &#xC811;&#xADFC; &#xBC29;&#xC2DD;&#xC740; &#xB2E4;&#xC591; &#xD55C; &#xAE30;&#xD310;&#xC5D0; &#xB300; &#xD55C; &#xC791;&#xB3D9; &#xD558; &#xACE0; &#xAE30;&#xACC4;&#xC801;&#xC73C;&#xB85C; exfoliated, &#xD654;&#xD559;&#xC801;&#xC73C;&#xB85C; &#xD30C;&#xC0DD;, &#xC608;&#xAE08; &#xB610;&#xB294; &#xCC29;&#xC2DC;&#xD0A4; &#xADF8;&#xB798; &#xC0B0;&#xC5C5; &#xADDC;&#xBAA8;&#xC5D0; &#xC801;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;.

&#xB192;&#xC740; &#xCC98;&#xB9AC;&#xB7C9; &#xD070; &#xC9C0;&#xC5ED; &#xC790;&#xB3D9; &#xC2DD;&#xBCC4; &#xBC0F; &#xBA87; &#xB808;&#xC774;&#xC5B4;&#xC640; &#xADF8;&#xB798; &#xADF8;&#xB798; &#xC601;&#xD654;&#xC758; &#xD488;&#xC9C8; &#xAD00;&#xB9AC;.

Aplicaciones pr&aacute;cticas del grafeno requieren un m&eacute;todo de alto rendimiento confiable de grafeno identificaci&oacute;n y control de calidad, que puede utilizarse para sustratos a gran escala y obleas. Hemos propuesto y probado experimentalmente un enfoque r&aacute;pido y completamente automatizado para determinar el n&uacute;mero de planos at&oacute;micos en muestras de grafeno. El procedimiento permite identificaci&oacute;n in situ de las fronteras de las regiones con el mismo n&uacute;mero de planos at&oacute;micos. Se basa en un algoritmo de procesamiento original de imagen, que utiliza la calibraci&oacute;n de micro-Raman, luz de fondo, correcci&oacute;n de la falta de uniformidad de iluminaci&oacute;n y el proceso para cada p&iacute;xel de la imagen color y escala de grises. El resultado del procedimiento desarrollado es un mapa de color pseudo, que marca las regiones de una sola capa y algunas capas de grafeno en el sustrato de cualquier tama&ntilde;o que puede ser capturado por un microscopio &oacute;ptico. Nuestro enfoque funciona para varios substratos y puede aplicarse a mec&aacute;nicamente exfoliado, qu&iacute;micamente derivado, depositado o epitaxial grafeno a escala industrial.

Alto rendimiento gran superficie hab&iacute;a automatizado de identificaci&oacute;n y control de calidad de l&aacute;minas de grafeno grafeno y algunas capas.

&#x5236;&#x5B9A;&#x548C;&#x6BD4;&#x8F83;&#x81EA;&#x52A8;&#x7684;&#x68C0;&#x6D4B;&#x7CFB;&#x7EDF;&#x7F3A;&#x8840;&#x6027;&#x75C5;&#x53D8;&#x65B0;&#x751F;&#x513F;&#x7F3A;&#x6C27; (BCAO H) &#x4ECE; T2 &#x53CC;&#x4FA7;&#x9888;&#x52A8;&#x8109;&#x95ED;&#x585E;&#x7684;&#x6A21;&#x578B;&#x4E2D;&#x7684;&#x624B;&#x52A8;&#x5206;&#x5272;&#x7684;&#x5F53;&#x524D;&#x4F7F;&#x7528;&quot;&#x9EC4;&#x91D1;&#x6807;&#x51C6;&quot;&#x7684;&#x52A0;&#x6743; MRI &#xFF08;T2WI&#xFF09;&#x3002;

&#x81EA;&#x52A8;&#x7F3A;&#x8840;&#x6027;&#x75C5;&#x53D8;&#x68C0;&#x6D4B;&#x5728;&#x65B0;&#x751F;&#x513F;&#x7F3A;&#x6C27;&#x7F3A;&#x8840;&#x6027;&#x635F;&#x4F24;&#x7684;&#x6A21;&#x578B;&#x4E2D;&#x3002;

To develop and compare an automated detection system for ischemic lesions in a neonatal model of bilateral carotid artery occlusion with hypoxia (BCAO-H) from T2 weighted MRI (T2WI) to the currently used "gold standard" of manual segmentation.

Automated ischemic lesion detection in a neonatal model of hypoxic ischemic injury.

Afin de d&eacute;velopper et de comparer une d&eacute;tection automatique par syst&egrave;me pour des l&eacute;sions isch&eacute;miques dans un mod&egrave;le n&eacute;onatale de l&#39;occlusion de l&#39;art&egrave;re carotide bilat&eacute;rale avec l&#39;hypoxie (BCAO-H) du T2 pond&eacute;r&eacute; MRI (T2WI) &agrave; le &laquo; &eacute;talon or &raquo; actuellement utilis&eacute; de segmentation manuelle.

Automatis&eacute; de d&eacute;tection de la l&eacute;sion isch&eacute;mique dans un mod&egrave;le n&eacute;onatale des l&eacute;sions isch&eacute;miques hypoxiques.

Entwickeln und vergleichen eine automatische Erkennung gewichtet System f&uuml;r isch&auml;mische L&auml;sionen in einem Neugeborenen Modell der bilateralen Arteria carotis Okklusion mit Hypoxie (BCAO-H) von T2 MRI (T2WI) zum aktuell verwendeten &quot;Goldstandard&quot; manueller Segmentierung.

Automatische Erkennung der isch&auml;mischen L&auml;sion in einem Neugeborenen Modell hypoxic isch&auml;mische Sch&auml;digung.

Per sviluppare e confrontare un rilevamento automatizzato sistema per lesioni ischemiche in un modello neonatale dell&#39;occlusione dell&#39;arteria carotidea bilaterale con ipossia (BCAO-H) da T2 weighted MRI (T2WI) attualmente in uso &quot;gold standard&quot; di segmentazione manuale.

Automatizzato di rilevazione di lesione ischemica in un modello di lesione ischemica ipossica neonatale.

&#x958B;&#x767A;&#x3057;&#x3001;&#x81EA;&#x52D5;&#x691C;&#x51FA;&#x3092;&#x6BD4;&#x8F03;&#x3059;&#x308B;&#x306B;&#x306F;&#x3001;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x4E21;&#x5074;&#x5185;&#x981A;&#x52D5;&#x8108;&#x9589;&#x585E; T2 &#x304B;&#x3089; (BCAO H) &#x4F4E;&#x9178;&#x7D20;&#x75C7;&#x306E;&#x65B0;&#x751F;&#x5150;&#x30E2;&#x30C7;&#x30EB;&#x306B;&#x304A;&#x3051;&#x308B;&#x865A;&#x8840;&#x75C5;&#x5909;&#x306B;&#x5BFE;&#x3059;&#x308B; MRI (T2WI)&#x3001;&#x73FE;&#x5728;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3044;&#x308B;&#x300C;&#x30B4;&#x30FC;&#x30EB;&#x30C9; &#x30B9;&#x30BF;&#x30F3;&#x30C0;&#x30FC;&#x30C9;&#x306B;&#x300D;&#x624B;&#x52D5;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x52A0;&#x91CD;&#x3002;

&#x65B0;&#x751F;&#x5150;&#x4F4E;&#x9178;&#x7D20;&#x6027;&#x865A;&#x8840;&#x6027;&#x640D;&#x50B7;&#x30E2;&#x30C7;&#x30EB;&#x306B;&#x304A;&#x3051;&#x308B;&#x865A;&#x8840;&#x6027;&#x75C5;&#x5909;&#x691C;&#x51FA;&#x3092;&#x81EA;&#x52D5;&#x5316;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;

&#xAC1C;&#xBC1C; &#xD558; &#xACE0; &#xC790;&#xB3D9;&#xD654; &#xB41C; &#xD0D0;&#xC9C0;&#xB97C; &#xBE44;&#xAD50; &#xD558; &#xC218;&#xB3D9; &#xC138;&#xADF8;&#xBA3C;&#xD2B8;&#xC758; &#xD604;&#xC7AC; &#xC0AC;&#xC6A9; &#xB418;&#xB294; &quot;&#xAE08; &#xD45C;&#xC900;&quot; MRI (T2WI) &#xAC00;&#xC911;&#xCE58;&#xB97C; t 2&#xC5D0;&#xC11C; hypoxia (BCAO-H)&#xC640; &#xC591;&#xCE21; &#xACBD; &#xB3D9;&#xB9E5; &#xD3D0;&#xC0C9;&#xC758; &#xC2E0;&#xC0DD;&#xC544; &#xBAA8;&#xB378;&#xC5D0;&#xC11C; &#xD5C8; &#xD608; &#xC131; &#xBCD1; &#xBCC0;&#xC5D0; &#xB300; &#xD55C; &#xC2DC;&#xC2A4;&#xD15C;.

Hypoxic &#xD5C8; &#xD608; &#xC131; &#xC190;&#xC0C1;&#xC758; &#xC2E0;&#xC0DD;&#xC544; &#xBAA8;&#xB378;&#xC5D0;&#xC11C; &#xD5C8; &#xD608; &#xC131; &#xBCD1; &#xBCC0; &#xAC80;&#xCD9C; &#xC790;&#xB3D9;.

Para desarrollar y comparar una detecci&oacute;n automatizado sistema para lesiones isqu&eacute;micas en un modelo neonatal de la obstrucci&oacute;n de la arteria car&oacute;tida bilateral con hipoxia (BCAO-H) de T2 carg&oacute; MRI (T2WI) a los utilizados en la actualidad &quot;gold standard&quot; de segmentaci&oacute;n manual.

Autom&aacute;ticos de detecci&oacute;n de lesi&oacute;n isqu&eacute;mica en un modelo neonatal de lesi&oacute;n isqu&eacute;mica hip&oacute;xica.

&#x672C;&#x6587;&#x63D0;&#x51FA;&#x4E86;&#x4E00;&#x79CD;&#x65B0;&#x7684;&#x5BF9;&#x79F0;&#x96C6;&#x6210;&#x57FA;&#x4E8E;&#x533A;&#x57DF;&#x7684;&#x56FE;&#x50CF;&#x5206;&#x5272;&#x65B9;&#x6CD5;&#x3002;&#x8BE5;&#x65B9;&#x6CD5;&#x7684;&#x5236;&#x5B9A;&#x662F;&#x4E3A;&#x4E86;&#x901A;&#x8FC7;&#x5229;&#x7528;&#x56FE;&#x50CF;&#x5BF9;&#x79F0;&#x6027;&#x83B7;&#x5F97;&#x6539;&#x8FDB;&#x7684;&#x56FE;&#x50CF;&#x5206;&#x5272;&#x3002;&#x5B83;&#x662F;&#x901A;&#x8FC7;&#x6784;&#x5EFA;&#x4E00;&#x4E2A;&#x5BF9;&#x79F0;&#x6807;&#x8BB0;&#xFF0C;&#x53EF;&#x4EE5;&#x7075;&#x6D3B;&#x5730;&#x5D4C;&#x5165;&#x5230;&#x5206;&#x5272;&#x63D0;&#x793A;&#x5B9E;&#x73B0;&#x3002;&#x6709;&#x8DA3;&#x7684;&#x89C2;&#x70B9;&#x6700;&#x521D;&#x63D0;&#x53D6;&#x56FE;&#x50CF;&#xFF0C;&#x7531;&#x6750;&#x6599;&#x7684;&#x7B5B;&#x9009;&#x8FD0;&#x7B97;&#x7B26;&#xFF0C;&#x8FDB;&#x4E00;&#x6B65;&#x5B8C;&#x5584;&#x68C0;&#x6D4B;&#x5168;&#x7403;&#x53CC;&#x8FB9;&#x5BF9;&#x79F0;&#x3002;&#x7136;&#x540E;&#x4F7F;&#x7528;&#x5BF9;&#x79F0;&#x8F74;&#x8BA1;&#x7B97;&#x5BF9;&#x79F0;&#x4EB2;&#x548C;&#x77E9;&#x9635;&#xFF0C;&#x5B83;&#x7528;&#x4F5C;&#x663E;&#x5F0F;&#x7EA6;&#x675F;&#x533A;&#x57DF;&#x751F;&#x957F;&#x7B97;&#x6CD5;&#x4E2D;&#x4EE5;&#x5B8C;&#x5584;&#x5206;&#x6BB5;&#x533A;&#x57DF;&#x7684;&#x5BF9;&#x79F0;&#x6027;&#x3002;&#x591A;&#x76EE;&#x6807;&#x9057;&#x4F20;&#x641C;&#x7D22;&#x67E5;&#x627E;&#x5206;&#x5272;&#x7ED3;&#x679C;&#x4E0E;&#x5206;&#x5272;&#x548C;&#x5BF9;&#x79F0;&#x6027;&#xFF0C;&#x5373;&#x5168;&#x5C40;&#x6700;&#x4F18;&#x7684;&#x6700;&#x9AD8;&#x6027;&#x80FD;&#x3002;&#x8BE5;&#x65B9;&#x6CD5;&#x5DF2;&#x5728;&#x5177;&#x6709;&#x6311;&#x6218;&#x6027;&#x7684;&#x81EA;&#x7136;&#x56FE;&#x50CF;&#x548C;&#x56FE;&#x50CF;&#x5305;&#x542B;&#x7684;&#x4EBA;&#x9020;&#x7269;&#x4F53;&#x901A;&#x8FC7;&#x5B9E;&#x9A8C;&#x8FDB;&#x884C;&#x8C03;&#x67E5;&#x3002;&#x5B83;&#x663E;&#x793A;&#x7684;&#x5EFA;&#x8BAE;&#x7684;&#x65B9;&#x6CD5;&#x4F18;&#x4E8E;&#x76EE;&#x524D;&#x7684;&#x5206;&#x5272;&#x65B9;&#x6CD5;&#x4E0E;&#x548C;&#x800C;&#x4E0D;&#x5229;&#x7528;&#x5BF9;&#x79F0;&#x6027;&#x3002;&#x5F7B;&#x5E95;&#x7684;&#x5B9E;&#x9A8C;&#x5206;&#x6790;&#x8868;&#x660E;&#x5BF9;&#x79F0;&#x6027;&#x91CD;&#x8981;&#x4F5C;&#x7528;&#x4F5C;&#x4E3A;&#x5206;&#x5272;&#x63D0;&#x793A;&#x4FE1;&#x606F;&#xFF0C;&#x8FDE;&#x540C;&#x5176;&#x4ED6;&#x5C5E;&#x6027;&#xFF0C;&#x5982;&#x989C;&#x8272;&#x548C;&#x7EB9;&#x7406;&#x3002;

&#x53CD;&#x5C04;&#x5BF9;&#x79F0;&#x6027;&#x96C6;&#x6210;&#x56FE;&#x50CF;&#x5206;&#x5272;&#x3002;

This paper presents a new symmetry integrated region-based image segmentation method. The method is developed to obtain improved image segmentation by exploiting image symmetry. It is realized by constructing a symmetry token that can be flexibly embedded into segmentation cues. Interesting points are initially extracted from an image by the SIFT operator and they are further refined for detecting the global bilateral symmetry. A symmetry affinity matrix is then computed using the symmetry axis and it is used explicitly as a constraint in a region growing algorithm in order to refine the symmetry of the segmented regions. A multi-objective genetic search finds the segmentation result with the highest performance for both segmentation and symmetry, which is close to the global optimum. The method has been investigated experimentally in challenging natural images and images containing man-made objects. It is shown that the proposed method outperforms current segmentation methods both with and without exploiting symmetry. A thorough experimental analysis indicates that symmetry plays an important role as a segmentation cue, in conjunction with other attributes like color and texture.

Reflection Symmetry Integrated Image Segmentation.

Cet article pr&eacute;sente une nouvelle m&eacute;thode de segmentation d&#39;image ax&eacute;e sur la r&eacute;gion sym&eacute;trie int&eacute;gr&eacute;. La m&eacute;thode est &eacute;labor&eacute;e afin d&#39;obtenir la meilleure image segmentation en exploitant la sym&eacute;trie de l&#39;image. Il est r&eacute;alis&eacute; en construisant un jeton de sym&eacute;trie qui peut &ecirc;tre flexible incorpor&eacute; dans des signaux de segmentation. Points int&eacute;ressants sont initialement extraite d&#39;une image par l&#39;exploitant de l&#39;EIPD et ils sont plus raffin&eacute;s pour d&eacute;tecter la sym&eacute;trie bilat&eacute;rale mondiale. Une matrice d&#39;affinit&eacute; de sym&eacute;trie est ensuite calcul&eacute;e &agrave; l&#39;aide de l&#39;axe de sym&eacute;trie, et il est utilis&eacute; explicitement comme une contrainte dans une r&eacute;gion en croissance algorithme afin d&#39;affiner la sym&eacute;trie des r&eacute;gions segment&eacute;es. Une recherche g&eacute;n&eacute;tique multi-objective retrouve le r&eacute;sultat de la segmentation la meilleure performance pour segmentation et sym&eacute;trie, qui est proche de l&#39;optimum global. La m&eacute;thode a &eacute;t&eacute; &eacute;tudi&eacute;e exp&eacute;rimentalement en stimulants des images naturelles et des images contenant des objets artificiels. Il est d&eacute;montr&eacute; que la m&eacute;thode propos&eacute;e surpasse les m&eacute;thodes actuelles de segmentation avec et sans exploitation de sym&eacute;trie. Une analyse approfondie exp&eacute;rimentale indique que la sym&eacute;trie joue un r&ocirc;le important comme rep&egrave;re de segmentation, en conjonction avec d&#39;autres attributs comme la couleur et la texture.

R&eacute;flexion sym&eacute;trie int&eacute;gr&eacute; de Segmentation d&#39;Image.

Dieser Beitrag stellt eine neue Symmetrie integriert bereichsbasierte Bild-Segmentierung-Methode. Die Methode wurde entwickelt, um verbesserte Bildsegmentierung erhalten durch die Nutzung von Bild-Symmetrie. Es wird realisiert durch die Konstruktion ein Symmetrie-Token, das flexibel in Segmentierung Signale eingebettet werden kann. Interessante Punkte sind zun&auml;chst ein Bild vom SIFT-Betreiber entnommen und sie sind weiter verfeinert, zum Erkennen der globalen bilaterale Symmetrie. Eine Symmetrie Affinit&auml;t Matrix wird berechnet mit der Symmetrieachse und es dient explizit als Einschr&auml;nkung in einer Region, die wachsenden Algorithmus um die Symmetrie der segmentierten Regionen zu verfeinern. Eine Multi-Objective genetische Suche findet das Ergebnis der Segmentierung mit der h&ouml;chsten Leistung f&uuml;r die Segmentierung und Symmetrie, in der N&auml;he das globale Optimum. Die Methode ist in anspruchsvollen nat&uuml;rliche Bilder und Bilder, die vom Menschen geschaffenen Objekte enthalten experimentell untersucht worden. Es wird gezeigt, dass die vorgeschlagene Methode aktuelle Segmentierung Methoden sowohl mit als auch &uuml;bertrifft ohne Symmetrie auszubeuten. Eine gr&uuml;ndliche experimentelle Analyse zeigt, dass Symmetrie eine wichtige Rolle als ein Stichwort Segmentierung in Verbindung mit anderen Attributen wie Farbe und Textur spielt.

Reflexion Symmetrie integriert Bildsegmentierung.

Questo libro presenta un nuovo metodo di segmentazione di immagine basata sulla regione simmetria integrato. Il metodo &egrave; stato sviluppato per ottenere una migliore segmentazione sfruttando la simmetria di immagine. &Egrave; realizzata mediante la costruzione di un token di simmetria che pu&ograve; essere incorporato in modo flessibile in stecche di segmentazione. Punti interessanti sono inizialmente estratta da un&#39;immagine da parte dell&#39;operatore SIFT e sono ulteriormente affinato per rilevare la simmetria bilaterale globale. Una matrice di affinit&agrave; di simmetria &egrave; quindi calcolata utilizzando l&#39;asse di simmetria e viene utilizzato in modo esplicito come un vincolo in una regione in crescita algoritmo per affinare la simmetria delle regioni segmentate. Una ricerca genetica multiobiettivo trova il risultato di segmentazione con le massime prestazioni sia per segmentazione e simmetria, che si trova vicino l&#39;optimum globale. Il metodo &egrave; stato studiato sperimentalmente in stimolante naturale e immagini contenenti oggetti artificiali. &Egrave; dimostrato che il metodo proposto supera attuali metodi di segmentazione con e senza sfruttare la simmetria. Un&#39;approfondita analisi sperimentale indica che simmetria gioca un ruolo importante come una pila di segmentazione, in combinazione con altri attributi come colore e texture.

Riflessione simmetria integrato segmentazione.

&#x65B0;&#x3057;&#x3044;&#x7D71;&#x5408;&#x5BFE;&#x79F0;&#x9818;&#x57DF;&#x306B;&#x57FA;&#x3065;&#x304F;&#x753B;&#x50CF;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x6CD5;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x6539;&#x5584;&#x3055;&#x308C;&#x305F;&#x753B;&#x50CF;&#x306E;&#x9818;&#x57DF;&#x5206;&#x5272;&#x753B;&#x50CF;&#x306E;&#x5BFE;&#x79F0;&#x6027;&#x3092;&#x5229;&#x7528;&#x3057;&#x3066;&#x5165;&#x624B;&#x3059;&#x308B;&#x624B;&#x6CD5;&#x3067;&#x3059;&#x3002;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x624B;&#x304C;&#x304B;&#x308A;&#x306B;&#x67D4;&#x8EDF;&#x306B;&#x57CB;&#x3081;&#x8FBC;&#x3080;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x5BFE;&#x79F0;&#x30C8;&#x30FC;&#x30AF;&#x30F3;&#x3092;&#x69CB;&#x7BC9;&#x3059;&#x308B;&#x3053;&#x3068;&#x306B;&#x3088;&#x3063;&#x3066;&#x5B9F;&#x73FE;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x8208;&#x5473;&#x6DF1;&#x3044;&#x70B9;&#x306F;&#x5F53;&#x521D; SIFT &#x6F14;&#x7B97;&#x5B50;&#x306B;&#x3088;&#x3063;&#x3066;&#x304B;&#x3089;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x3092;&#x62BD;&#x51FA;&#x3057;&#x3066;&#x3044;&#x308B;&#x3001;&#x5F7C;&#x3089;&#x306F;&#x3055;&#x3089;&#x306B;&#x30B0;&#x30ED;&#x30FC;&#x30D0;&#x30EB;&#x306E;&#x5DE6;&#x53F3;&#x5BFE;&#x79F0;&#x6027;&#x3092;&#x691C;&#x51FA;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x6D17;&#x7DF4;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;&#x5BFE;&#x79F0;&#x6027;&#x89AA;&#x548C;&#x6027;&#x306E;&#x30DE;&#x30C8;&#x30EA;&#x30C3;&#x30AF;&#x30B9;&#x306F;&#x3001;&#x5BFE;&#x79F0;&#x306E;&#x8EF8;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x8A08;&#x7B97;&#x3055;&#x308C;&#x307E;&#x3059;&#x3001;&#x305D;&#x308C;&#x660E;&#x793A;&#x7684;&#x306B;&#x5236;&#x7D04;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x6210;&#x9577;&#x5730;&#x57DF;&#x3068;&#x3057;&#x3066;&#x5206;&#x5272;&#x9818;&#x57DF;&#x306E;&#x5BFE;&#x79F0;&#x6027;&#x3092;&#x7D5E;&#x308A;&#x8FBC;&#x3080;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x7D50;&#x679C;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3068;&#x5BFE;&#x79F0;&#x6027;&#x306E;&#x5927;&#x57DF;&#x7684;&#x6700;&#x9069;&#x89E3;&#x306B;&#x8FD1;&#x3044;&#x3067;&#x3059;&#x6700;&#x9AD8;&#x306E;&#x6027;&#x80FD;&#x3092;&#x6301;&#x3064;&#x591A;&#x76EE;&#x7684;&#x907A;&#x4F1D;&#x3092;&#x691C;&#x7D22;&#x3057;&#x307E;&#x3059;&#x3002;&#x5B9F;&#x9A13;&#x306E;&#x65B9;&#x6CD5;&#x30C1;&#x30E3;&#x30EC;&#x30F3;&#x30B8;&#x30F3;&#x30B0;&#x306A;&#x81EA;&#x7136;&#x753B;&#x50CF;&#x3068;&#x4EBA;&#x5DE5;&#x7269;&#x3092;&#x542B;&#x3080;&#x753B;&#x50CF;&#x3067;&#x8ABF;&#x3079;&#x305F;&#x3002;&#x63D0;&#x6848;&#x624B;&#x6CD5;&#x304C;&#x73FE;&#x5728;&#x306E;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x65B9;&#x6CD5;&#x3067;&#x3068;&#x5BFE;&#x79F0;&#x6027;&#x3092;&#x60AA;&#x7528;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x306A;&#x304F;&#x3088;&#x308A;&#x3082;&#x512A;&#x308C;&#x3066;&#x3044;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;&#x5B9F;&#x9A13;&#x3092;&#x5FB9;&#x5E95;&#x7684;&#x306B;&#x5206;&#x6790;&#x5BFE;&#x79F0;&#x8272;&#x3068;&#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x306E;&#x3088;&#x3046;&#x306A;&#x4ED6;&#x306E;&#x5C5E;&#x6027;&#x3068;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x3066;&#x3001;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3; cue &#x3068;&#x3057;&#x3066;&#x91CD;&#x8981;&#x306A;&#x5F79;&#x5272;&#x3092;&#x679C;&#x305F;&#x3057;&#x3066;&#x3044;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;

&#x53CD;&#x5C04;&#x5BFE;&#x79F0;&#x7D71;&#x5408;&#x753B;&#x50CF;&#x306E;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3002;

&#xC774; &#xBB38;&#xC11C;&#xC5D0;&#xC11C;&#xB294; &#xC0C8;&#xB85C;&#xC6B4; &#xB300;&#xCE6D; &#xD1B5;&#xD569; &#xB41C; &#xC138;&#xBD84;&#xD654; &#xC601;&#xC5ED; &#xAE30;&#xBC18; &#xC774;&#xBBF8;&#xC9C0; &#xC5C5;&#xB85C;&#xB4DC; &#xD558;&#xB294; &#xBC29;&#xBC95; &#xC124;&#xBA85;. &#xBA54;&#xC11C;&#xB4DC;&#xB294; &#xC774;&#xBBF8;&#xC9C0; &#xB300;&#xCE6D;&#xC744; &#xC774;&#xC6A9; &#xD558; &#xC5EC; &#xD5A5;&#xC0C1; &#xB41C; &#xC774;&#xBBF8;&#xC9C0; &#xC138;&#xBD84;&#xD654;&#xB97C; &#xAC1C;&#xBC1C;. &#xADF8;&#xAC83;&#xC740; &#xC720;&#xC5F0; &#xD558; &#xAC8C; &#xC138;&#xBD84;&#xD654; &#xC2E0;&#xD638;&#xC5D0; &#xD3EC;&#xD568; &#xB420; &#xC218; &#xC788;&#xB294; &#xB300;&#xCE6D; &#xD1A0;&#xD070;&#xC744; &#xC0DD;&#xC131; &#xD558; &#xC5EC; &#xC2E4;&#xD604;. &#xD765;&#xBBF8;&#xB85C;&#xC6B4; &#xC810; &#xCC98;&#xC74C; &#xC120;&#xBCC4; &#xC5F0;&#xC0B0;&#xC790;&#xC5D0; &#xC758;&#xD574; &#xC774;&#xBBF8;&#xC9C0;&#xC5D0;&#xC11C; &#xCD94;&#xCD9C; &#xD558; &#xACE0; &#xADF8;&#xB4E4;&#xC740; &#xB354; &#xC774;&#xC0C1; &#xAE00;&#xB85C;&#xBC8C; &#xC30D;&#xBC29; &#xB300;&#xCE6D; &#xAC10;&#xC9C0;&#xC5D0; &#xB300; &#xD55C; &#xC138;&#xB828; &#xB41C;. &#xB300;&#xCE6D; &#xC120;&#xD638;&#xB3C4; &#xD589;&#xB82C;&#xC740; &#xB2E4;&#xC74C; &#xB300;&#xCE6D; &#xCD95;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xACC4;&#xC0B0; &#xD558; &#xACE0; &#xBD84;&#xD560; &#xB41C; &#xC601;&#xC5ED;&#xC758; &#xB300;&#xCE6D;&#xC744; &#xAD6C;&#xCCB4;&#xD654; &#xD558;&#xAE30; &#xC704;&#xD574; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC744; &#xC131;&#xC7A5; &#xD558;&#xB294; &#xC9C0;&#xC5ED;&#xC5D0;&#xC11C; &#xC81C;&#xC57D; &#xC870;&#xAC74;&#xC73C;&#xB85C; &#xBA85;&#xC2DC;&#xC801;&#xC73C;&#xB85C; &#xC0AC;&#xC6A9; &#xB429;&#xB2C8;&#xB2E4;. Multi-objective &#xC720;&#xC804;&#xC790; &#xAC80;&#xC0C9; &#xC138;&#xBD84;&#xD654; &#xBC0F; &#xAE00;&#xB85C;&#xBC8C; &#xCD5C;&#xC801;&#xC5D0; &#xAC00;&#xAE4C;&#xC6B4; &#xB300;&#xCE6D;&#xC5D0; &#xB300; &#xD55C; &#xAC00;&#xC7A5; &#xB192;&#xC740; &#xC131;&#xB2A5; &#xAC00;&#xC9C4; &#xC138;&#xBD84;&#xD654; &#xACB0;&#xACFC;&#xB97C; &#xCC3E;&#xC2B5;&#xB2C8;&#xB2E4;. &#xBA54;&#xC11C;&#xB4DC; &#xB3C4;&#xC804; &#xC790;&#xC5F0; &#xC774;&#xBBF8;&#xC9C0;&#xC640; &#xC0AC;&#xB78C;&#xC774; &#xB9CC;&#xB4E0; &#xAC1C;&#xCCB4;&#xB97C; &#xD3EC;&#xD568; &#xD558;&#xB294; &#xC774;&#xBBF8;&#xC9C0;&#xC5D0; &#xC2E4;&#xD5D8;&#xC801;&#xC73C;&#xB85C; &#xC870;&#xC0AC; &#xD588;&#xB2E4;. &#xC81C;&#xC548; &#xB41C; &#xBC29;&#xBC95; &#xBCF4;&#xB2E4; &#xD604;&#xC7AC; &#xC138;&#xBD84;&#xD654; &#xBC29;&#xBC95; &#xBAA8;&#xB450;&#xC640; &#xD568;&#xAED8; &#xB300;&#xCE6D;&#xC744; &#xC774;&#xC6A9; &#xD558;&#xC9C0; &#xC54A;&#xACE0; &#xD45C;&#xC2DC; &#xB429;&#xB2C8;&#xB2E4;. &#xCCA0;&#xC800; &#xD55C; &#xC2E4;&#xD5D8; &#xBD84;&#xC11D;&#xC774; &#xB098;&#xD0C0;&#xB0C5;&#xB2C8;&#xB2E4; &#xB300;&#xCE6D; &#xC0C9;&#xC0C1;&#xACFC; &#xC9C8;&#xAC10; &#xAC19;&#xC740; &#xB2E4;&#xB978; &#xD2B9;&#xC131;&#xACFC; &#xD568;&#xAED8; &#xC138;&#xADF8;&#xBA3C;&#xD2B8;&#xD654; &#xD050;&#xB85C; &#xC11C; &#xC911;&#xC694; &#xD55C; &#xC5ED;&#xD560;&#xC744; &#xD55C;&#xB2E4;.

&#xB9AC;&#xD50C;&#xB809;&#xC158; &#xB300;&#xCE6D; &#xC774;&#xBBF8;&#xC9C0; &#xC138;&#xBD84;&#xD654; &#xD1B5;&#xD569;.

Este papel presenta un nuevo m&eacute;todo de segmentaci&oacute;n basadas en la regi&oacute;n de la imagen de simetr&iacute;a integrado. El m&eacute;todo se desarrolla para obtener la segmentaci&oacute;n de la imagen mejorada mediante la explotaci&oacute;n de la simetr&iacute;a de la imagen. Se realiz&oacute; mediante la construcci&oacute;n de un token de simetr&iacute;a que puede ser embebido con flexibilidad en se&ntilde;ales de segmentaci&oacute;n. Puntos de inter&eacute;s inicialmente se extraen de una imagen por el operador SIFT y son m&aacute;s refinados para la detecci&oacute;n de la simetr&iacute;a bilateral global. Una matriz de afinidad de simetr&iacute;a se calcula entonces utilizando el eje de simetr&iacute;a y se utiliza expl&iacute;citamente como una restricci&oacute;n en una regi&oacute;n algoritmo con el fin de perfeccionar la simetr&iacute;a de las regiones segmentadas. Una b&uacute;squeda gen&eacute;tica multi-objetivo encuentra el resultado de la segmentaci&oacute;n con la m&aacute;s alta performance para segmentaci&oacute;n y simetr&iacute;a, que est&aacute; cerca el &oacute;ptimo global. El m&eacute;todo ha sido investigado experimentalmente en im&aacute;genes naturales desafiantes e im&aacute;genes que contiene objetos artificiales. Est&aacute; demostrado que el m&eacute;todo propuesto supera los actuales m&eacute;todos de segmentaci&oacute;n tanto con como sin explotar de simetr&iacute;a. Un minucioso an&aacute;lisis experimental indica que la simetr&iacute;a juega un papel importante como un taco de segmentaci&oacute;n, junto con otros atributos como color y textura.

Bir Bhanu

Center for Research in Intelligent Systems

University of California

Video Bioinformatics Analysis of Human Embryonic Stem Cell Colony Growth

Bir Bhanu

.css-o250i3{font-size:18px;font-family:Open Sans,sans-serif;line-height:21.6px;}Center for Research in Intelligent Systems

University of California

Video Bioinformatics Analysis of Human Embryonic Stem Cell Colony Growth

Center for Research in Intelligent Systems