عنوان مقاله ترجمه شده:تشخیص وسیله نقلیه درعکس های هوایی با دقت بالا توسط ارائه پراکنده و سوپرپیکسل ها
عنوان انگلیسی مقاله ترجمه شده:Vehicle Detection in High-Resolution Aerial Images via Sparse Representation and Superpixels
سال انتشار مقالهنام ژورنالتعداد صفحات مقاله ترجمه شده
2016IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING14
چکیده فارسی:این مقاله مطالعه ای در مورد تشخیص وسایل نقلیه از نقشه های هوایی با وضوح و دقت بالا را ارائه می دهد.در این مقاله، روش بخش بندی سوپرپیکسل طراحی شده برای عکس های هوایی برای کنترل بخش بندی با نرخ شکست پایین پیشنهاد شده است.برای کارایی بیشتر تمرین و تشخیص ،تکه های مهم و عمده ای مبتنی بر مراکز سوپرپیکسل های بخش بندی شده را استخراج کردیم.بعد از بخش بندی،با استفاده استراتژی تکرار انتخاب نمونه های آموزشی که مبتنی بر ارائه پراکنده است،از مجموعه کلی اصلی زیرمجموعه ای آموزشی و کوچک و کامل فراهم می آوریم.توسط زیرمجموعه آموزشی انتخاب شده، فرهنگی دارای توانایی تمییز و تفاوت قائل شدن برای تشخیص وسایل نقلیه فراهم می آوریم.طی آموزش و تشخیص، شبکه مشخصه های گرادیان متمایل هیستوگرام (HOG) به منظور استخراج ویژگی ها استفاده شده اند.برای بهبود بیشتر کارایی تشخیص و آموزش،روشی برای تخمین جهت اصلی مشخص شده برای هر تکه و قطعه ارائه شده است . با چرخش هر قطعه به جهت اصلی آن، جهات ثابتی به قطعات می دهیم. تحلیل های جامع و مقایسات بر روی دو مجموعه داده ها، عملکرد رضایت بخش الگوریتم پیشنهادی را نشان می دهد.
چکیده انگلیسی:This paper presents a study of vehicle detection from high-resolution aerial images. In this paper, a superpixel segmentation method designed for aerial images is proposed to control the segmentation with a low breakage rate. To make the training and detection more efficient, we extract meaningful patches based on the centers of the segmented superpixels. After the segmentation, through a training sample selection iteration strategy that is based on the sparse representation, we obtain a complete and small training subset from the original entire training set. With the selected training subset, we obtain a dictionary with high discrimination ability for vehicle detection. During training and detection, the grids of histogram of oriented gradient descriptor are used for feature extraction. To further improve the training and detection efficiency, a method is proposed for the defined main direction estimation of each patch. By rotating each patch to its main direction, we give the patches consistent directions. Comprehensive analyses and comparisons on two data sets illustrate the satisfactory performance of the proposed algorithm.
کلمات کلیدی مقاله:
دانلود اصل مقاله ترجمه نشده افزودن به سبد خرید