No abstract

Abstract:Computer vision has almost solved the issue of in the wild face detection, using complex techniques like convolutional neural networks. On the contrary many open source computer vision frameworks like OpenCV have not yet made the switch to these complex techniques and tend to depend on well established algorithms for face detection, like the cascade classification pipeline suggested by Viola and Jones. The accuracy of these basic face detectors on public datasets like FDDB stays rather low, mainly due to the high number of false positive detections. We propose several adaptations to the current existing face detection model training pipeline of OpenCV. We improve the training sample generation and annotation procedure, and apply an active learning strategy. These boost the accuracy of in the wild face detection on the FDDB dataset drastically, closing the gap towards the accuracy gained by CNN-based face detectors. The proposed changes allow us to provide an improved face detection model to OpenCV, achieving a remarkably high precision at an acceptable recall, two critical requirements for further processing pipelines like person identification, etc.

No abstract

Hiperspektral görüntüleme, farklı uygulama alanlarındaki kullanımı ile son yıllarda oldukça popüler bir konu haline gelmiştir. Yüksek depolama alanlarına ihtiyaç duyan hiperspektral görüntülerin yüksek verim ve kalite ile sıkıştırılması gerekmektedir. Bu çalışmada, hiperspektral görüntülerin kayıplı sıkıştırılması için otomatik uyarlamalı ışıklılık dönüşümü ve üç-boyutlu ayrık kosinüs dönüşümünü (3D-DCT) kullanan özgün bir yöntem önerilmektedir. Önerilen yöntemde ilk olarak hiperspektral verideki spektral bantlar gruplanmış ve ön işlem olarak otomatik uyarlamalı ışıklılık dönüşümü uygulanmıştır. Elde edilen her bant grubu ayrık kosinüs dönüşümü ve sonrasında Huffman kodlama kullanılarak sıkıştırılmıştır. Önerilen ışıklılık dönüşümünün amacı, bir grup içindeki bant imgeleri arasındaki ışıklılık ve karşıtlık farklılıklarını azaltarak sıkıştırma performansının arttırılmasını sağlamaktır. Deneysel sonuçlarda, Cuprite, Moffett Field, Jasper Ridge ve Pavia University hiperspektral görüntüleri üzerinde önerilen yöntem, ışıklılık dönüşümünün farklı versiyonları ile karşılaştırılmıştır. Karşılaştırma sinyal-gürültü oranı ve ortalama spektral açı uzaklığı gibi ölçütler kullanılarak yapılmıştır. Bunun yanında, sıkıştırılan verideki anomali ve hedef tespiti başarımları da karşılaştırılmıştır. Önerilen yöntemin, 3D-DCT sıkıştırma performansını özellikle düşük bit oranlarında ortalama %40 oranına kadar arttırdığı gösterilmiştir. In recent years, hyperspectral imaging has become a very popular subject with its use in different application areas. Hyperspectral images that require high storage areas need to be compressed with high efficiency and quality. In this study, a novel method that uses automatic adaptive luminance transform and three-dimensional discrete cosine transform (3D-DCT) for lossy compression of hyperspectral images is proposed. Firstly, spectral bands in hyperspectral image are grouped and automatic adaptive luminance transform is performed as a preprocessing stage in the proposed method. Each group is compressed by using DCT and Huffman encoding. The aim of the proposed luminance transform is to increase compression performance by decreasing luminance and contrast differences between band images in a group. In the experimental results, the proposed method and different versions of luminance transform are compared on Cuprite, Moffet Field, Jasper Ridge and Pavia University hyperspectral images. Comparison is carried out using signal-to-noise ratio and average spectral distance metrics. Besides, anomaly and target detection performances are also compared for compressed images. The proposed method has been shown to increase compression performance of 3D-DCT up to an average of 40% rate, especially at low bit rates.

No abstract