Feature Descriptors An even larger

Feature Descriptors An even larger variety of feature descriptors has been proposed,like Gaussian derivatives[16],moment in variants[17],complex features[18, 19], steerable filters [20], phase-based local features [21], and descriptors representing the distribution of smaller-scale features within the interest point neighbourhood. The latter, introduced by Lowe [2], have been shown to outperform the others [7]. This can be explained by the fact that they capture a substantial amount of information about the spatial intensity patterns, while at the same time being robust to small deformations or localisation errors. The descriptor in [2], called SIFT for short, computes a histogram of local oriented gradients around the interest point and stores the bins in a 128-dimensional vector (8 orientation bins for each of the 4× 4 location bins).

Kết quả (Việt) 1:

Tính năng trình mô tả một loạt lớn hơn của tính năng trình mô tả đã được đề xuất, như Gaussian derivatives [16], thời điểm này trong phiên bản [17], tính năng phức tạp [18, 19], thu filters [20], dựa trên giai đoạn local có [21], và mô tả đại diện cho việc phân phối các tính năng quy mô nhỏ hơn trong sự quan tâm điểm khu vực lân cận. Sau đó, giới thiệu bởi Lowe [2], đã được hiển thị để tốt hơn những người khác [7]. Điều này có thể được giải thích bởi thực tế rằng họ nắm bắt một số lượng đáng kể của các thông tin về các mô hình không gian cường độ, trong khi tại cùng một lúc được mạnh mẽ để biến dạng nhỏ hoặc localisation lỗi. Mô tả trong [2], kêu gọi SIFT ngắn, tính một biểu đồ của địa phương theo định hướng chuyển sắc quanh các điểm quan tâm và lưu trữ các thùng trong một chiều 128 vector (8 hướng thùng cho mỗi 4 × 4 vị trí thùng).

Kết quả (Việt) 2:

Tính năng mô tả Một loạt thậm chí lớn hơn của mô tả tính năng đã được đề xuất, như các dẫn xuất Gaussian [16], thời điểm trong các biến thể [17], các tính năng phức tạp [18, 19], lters fi steerable [20], các tính năng của địa phương giai đoạn dựa trên [21], và mô tả đại diện phân phối của tính năng quy mô nhỏ trong khu phố điểm quan tâm. Sau này, được giới thiệu bởi Lowe [2], đã được chứng minh để làm tốt hơn những người khác [7]. Điều này có thể được giải thích bởi thực tế rằng họ nắm bắt một số lượng đáng kể các thông tin về mô hình cường độ không gian, trong khi tại cùng một thời điểm là mạnh mẽ để biến dạng nhỏ hoặc lỗi nội địa hóa. Bộ mô tả trong [2], được gọi là SIFT cho ngắn, tính toán một biểu đồ của gradient hướng địa phương xung quanh các điểm quan tâm và lưu trữ các thùng trong một vector 128 chiều (8 thùng định hướng cho mỗi 4 × 4 thùng vị trí).