In this work, we highlight the kern

In this work, we highlight the kernel view of orientation histograms and provide a unified way to
low-level image feature design and learning. Our low-level image feature extractors, kernel descriptors,
consist of three steps: (1) design match kernels using pixel attributes; (2) learn compact basis
vectors using kernel principle component analysis; (3) construct kernel descriptors by projecting the
infinite-dimensional feature vectors to the learned basis vectors. We show how our framework is
applied to gradient, color, and shape pixel attributes, leading to three effective kernel descriptors.
We validate our approach on four standard image category recognition benchmarks, and show that
our kernel descriptors surpass both manually designed and well tuned low-level features (SIFT) [16]
and sophisticated feature learning approaches (convolutional networks, deep belief networks, sparse
coding, etc.) [10, 26, 14, 24].

Kết quả (Việt) 1:

Trong tác phẩm này, chúng tôi làm nổi bật quan hạt nhân của định hướng histograms và cung cấp một cách thống nhất đểthiết kế tính năng hình ảnh tầm thấp và học tập. Chúng tôi cấp thấp hình ảnh tính năng thổi, descriptor hạt nhân,bao gồm ba bước: (1) thiết kế phù hợp với hạt nhân bằng cách sử dụng các thuộc tính pixel; (2) tìm hiểu cơ sở nhỏ gọnvector sử dụng phân tích thành phần của hạt nhân nguyên tắc; (3) xây dựng hạt nhân mô tả bởi quy hoạch cácchiều vô hạn tính năng vector để các vectơ học cơ sở. Chúng tôi hiển thị như thế nào khuôn khổ của chúng tôi làáp dụng gradient, màu sắc và hình dạng các thuộc tính pixel, dẫn đến ba hạt nhân hiệu quả trình mô tả.Chúng tôi xác nhận chúng tôi tiếp cận trên bốn tiêu chuẩn hình ảnh mục tiêu chuẩn công nhận, và thấy rằnghạt nhân của chúng tôi mô tả vượt qua cả hai tự thiết kế và cũng điều chỉnh tính năng cấp thấp (SIFT) [16]và tính năng tinh vi học phương pháp tiếp cận (mã mạng, mạng lưới niềm tin sâu sắc, thưa thớtmã hóa, vv) [10, 26, 14, 24].

Kết quả (Việt) 2:

Trong tác phẩm này, chúng tôi nêu lên quan điểm hạt nhân của biểu đồ định hướng và cung cấp một cách thống nhất để
cấp thấp thiết kế tính năng hình ảnh và học tập. Cấp thấp nhổ tính năng hình ảnh của chúng tôi, mô tả hạt nhân,
bao gồm ba bước: (1) hạt nhân phù hợp thiết kế sử dụng điểm ảnh thuộc tính; (2) tìm hiểu cơ sở nhỏ gọn
vectơ sử dụng phân tích hạt nhân nguyên tắc thành phần; (3) xây dựng mô tả hạt nhân bằng cách chiếu các
vectơ tính năng vô hạn chiều với vectơ cơ sở học. Chúng tôi thấy cách khuôn khổ của chúng tôi được
áp dụng cho gradient, màu và các thuộc tính hình dạng pixel, dẫn đến ba mô tả hạt nhân hiệu quả.
Chúng tôi xác nhận cách tiếp cận của chúng tôi trên bốn tiêu chuẩn công nhận loại hình ảnh tiêu chuẩn, và cho thấy rằng
mô tả hạt nhân của chúng tôi vượt qua cả hai được thiết kế bằng tay và cũng điều chỉnh thấp tính năng -level (SIFT) [16]
và phương pháp học tập tính năng tinh vi (mạng chập, mạng tin tưởng sâu sắc, thưa thớt
mã hóa, vv) [10, 26, 14, 24].