計算機視覺一些項目實戰技術（續）

1. PROTO-OBJECT BASED SALIENCY
   
   在本項目中，提出一種新的方法來完成顯著目標偵測的任務。與以往基于聚光燈注意理論的顯著目標檢測器相比，遵循基于對象的注意理論，并將對象的概念直接納入顯著性測量中。特別地，把原始對象看作是分析的單位，其中原始對象是一個連接的圖像區域，一旦注意力集中到，可以轉換成一個可信的對象或對象部分。根據基于對象的注意理論，首先使用選擇性搜索方法將復雜圖像分割成原始對象，然后評估每個原始對象的顯著性。最突出的原型對象被認為是一個突出的對象。

區分了兩種類型的對象顯著性。首先，如果一個對象與其周圍環境不同，就是顯著的，稱之為中心環繞顯著性。其次，如果一個對象包含稀有或突出的細節，那么是顯著的，通過綜合顯著性來衡量。證明了這兩種類型的目標顯著性具有互補的特征，而且，兩者的結合在顯著目標檢測方面表現出最新的水平。

2. REAL-TIME BAG-OF-WORDS

在這個項目中，回顧了加速概念分類的技術，其中展示了計算效率和準確性之間的權衡。在此基礎上，使用了在2008年TRECVID和PASCAL基準測試中獲得最佳性能分數的單詞包算法。將評估分為三個步驟：

（1）描述符提取，其中評估SIFT、SURF、DAISY和語義文本。

（2）視覺詞匯分配，將k-均值視覺詞匯與隨機森林進行比較，評估子抽樣、PCA降維和空間金字塔的分割策略。

（3）分類，其中評估the chi-square, RBF, and Fast Histogram Intersection kernel快速直方圖交叉核支持向量機。

在評價的基礎上，加速了密集采樣篩和SURF的計算，加速了最近鄰賦值，提高了直方圖求交核的精度。還發現空間金字塔中的垂直劃分對性能有負面影響。最后，討論了是否有可能進一步加速“文字袋”管道。

結果使速度增加了7倍而沒有精度損失，速度增加了70倍而精度損失為3%。后者實時進行分類，為概念自動分類開辟了新的應用領域。例如，這個系統允許5臺標準臺式機自動標記20個類所有當前上傳到Flickr的圖像。


Experiment with several spatial divisions of the image. Vertical divisions do not work, which makes sense while using complete image representations as mirroring the image over the vertical axis does not change the image content.

實驗圖像的幾個空間分割。垂直分割不起作用，這在使用完整的圖像表示時是有意義的，因為在垂直軸上鏡像圖像不會更改圖像內容。

3. ANALYSING ABSTRACT ART
   
   大多數藝術作品的創作都是為了喚起強烈的情感反應。幾個世紀以來，有許多藝術運動采用不同的技術來實現藝術作品所傳達的情感表達。然而，即使是從最抽象的繪畫作品中，人也能始終如一地閱讀情感信息。

一臺機器能學會什么使藝術品富有感情嗎？

在這個項目中，考慮了特倫托和羅夫雷托現代和當代藝術博物館（MART）的一組500幅抽象畫，其中每幅畫都以1-7里克特（Likert）為標準進行正面或負面評價。使用最先進的識別系統來了解哪些統計模式與積極和消極情緒相關。此外，剖析分類機制，以確定圖像的哪些部分喚起了哪些情感。這為研究為什么一幅特定的畫被視為情感畫開辟了新的機會。在這個項目中，證實了在藝術中長期以來已知的觀察：明亮的顏色喚起積極的情緒，黑暗的顏色往往喚起消極的情緒。平滑線通常是正的，而混沌紋理通常被認為是負的。
另外，通過一個眼睛跟蹤實驗，發現繪畫的積極部分最吸引人：即使在情感內容消極的繪畫中，人仍然喜歡看積極的部分。

另一種視覺化的抽象繪畫部分根據字袋算法喚起積極情緒（黃色）和消極情緒（藍色）。

人眼注視在視覺效果上以紅點繪制，顯示圖像的積極和消極情感部分。對于許多負面的形象（比如這個），人往往更傾向于看到正面的一面。

總結

以上是生活随笔為你收集整理的计算机视觉一些项目实战技术（续）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。