Object Recognition Based on Bag of Features and a New Local Pattern Descriptor

Ferraz, Carolina Toledo; Pereira, Osvaldo José Ribeiro; Rosa, Marcos Verdini; Gonzaga, Adilson

doi:10.1142/s0218001414550106

Cited by 13 publications

(6 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In contrast, the local descriptors are robust to clutter but cannot capture the global characteristics of the image [18,19]. An alternate feature representation strategy, such as Visual-Bag-of-Words (BoW), captures the global characteristics of the image through encoding a set of local features, which makes them robust to scale and clutter [20,21]. For example, in texture-based classification, the global texture pattern of the image is captured by the frequencies of the co-occurrence of the local texture patterns.…”

Section: Introductionmentioning

confidence: 99%

Identification of Structurally Damaged Areas in Airborne Oblique Images Using a Visual-Bag-of-Words Approach

et al. 2016

View full text Add to dashboard Cite

Automatic post-disaster mapping of building damage using remote sensing images is an important and time-critical element of disaster management. The characteristics of remote sensing images available immediately after the disaster are not certain, since they may vary in terms of capturing platform, sensor-view, image scale, and scene complexity. Therefore, a generalized method for damage detection that is impervious to the mentioned image characteristics is desirable. This study aims to develop a method to perform grid-level damage classification of remote sensing images by detecting the damage corresponding to debris, rubble piles, and heavy spalling within a defined grid, regardless of the aforementioned image characteristics. The Visual-Bag-of-Words (BoW) is one of the most widely used and proven frameworks for image classification in the field of computer vision. The framework adopts a kind of feature representation strategy that has been shown to be more efficient for image classification-regardless of the scale and clutter-than conventional global feature representations. In this study supervised models using various radiometric descriptors (histogram of gradient orientations (HoG) and Gabor wavelets) and classifiers (SVM, Random Forests, and Adaboost) were developed for damage classification based on both BoW and conventional global feature representations, and tested with four datasets. Those vary according to the aforementioned image characteristics. The BoW framework outperformed conventional global feature representation approaches in all scenarios (i.e., for all combinations of feature descriptors, classifiers, and datasets), and produced an average accuracy of approximately 90%. Particularly encouraging was an accuracy improvement by 14% (from 77% to 91%) produced by BoW over global representation for the most complex dataset, which was used to test the generalization capability.

show abstract

Section: Introductionmentioning

confidence: 99%

Identification of Structurally Damaged Areas in Airborne Oblique Images Using a Visual-Bag-of-Words Approach

et al. 2016

View full text Add to dashboard Cite

show abstract

“…A terceira contribuição foi o desenvolvimento do descritor de textura baseado em fusão de características Completed Mean Local Mapped Pattern (CMLMP). O descritor proposto é baseado na metodologia de extração de características complementares da imagem, representadas por três componentes, proposta na formulação do descritor CLBP (GUO; ZHANG; ZHANG, 2010), associada à regra de extração de características do descritor M-LMP (FERRAZ et al, 2014).…”

Section: Objetivos E Contribuiçõesunclassified

“…Em concordância com o que foi exposto nos capítulos anteriores, sabe-se que: S1. a fusão de informações complementares de diferentes descritores possibilita a obtenção de resultados superiores ao melhor resultado dentre os obtidos pela aplicação dos descritores individuais; (FERRAZ et al, 2014). Como é composto por três diferentes componentes, Sinal (CMLMP_S), Magnitude (CMLMP_M) e Centro (CMLMP_C), é possível representar a textura por diferentes vetores de características, cada um resultado de uma combinação específica das respectivas componentes.…”

Section: Descritores De Textura Baseados Em Fusão De Característicasunclassified

“…Figura 21: Imagens do conjunto de teste: asterix, belledone, bip e crolle (escala); east park, east south, ensigma e inria (escala e rotação). para todo tipo de transformação e para todo tipo de imagem, no entanto, demonstrou-se que os detectores MSER e Hessian Affine obtiveram os melhores resultados para os experimentos realizados, sendo que os detectores Hessian Affine e Harris Affine são os que retornam um maior número de regiões de interesse, sendo indicados para correspondência de imagens; além disso, Ferraz et al (2014) e Mikolajczyk e Schmid (2005) mostraram que o detector Hessian Affine permite melhores resultados que o Harris Affine.…”

Section: Detecção Das Regiões De Interesseunclassified

“…De acordo com Ferraz et al (2014) e com Heikkilä, Pietikäinen e Schmid (2009), consideram-se correspondências corretas todas as possíveis correspondências cujo erro de sobreposição for menor que 50% ( S < 0, 5).…”

Section: Determinação Do Ground Truthunclassified

See 2 more Smart Citations

Novos operadores de fusão aplicados a descritores de textura >/i<

Pereira¹

View full text Add to dashboard Cite

Sou devedor de amor e de gratidão para com todos! Ao querido Pai eterno, agradeço pela existência e pelas incontáveis oportunidades de evolução. A meus pais, Sônia e Osmando, agradeço pelo bilhete premiado de vinda ao planeta Terra, pelo amor infinito com o qual alimentaram minh'alma, desde minha tenra idade, pelo exemplo com o qual talharam minha personalidade e pelas gotas de suor derramadas em prol de que eu pudesse sempre me banhar nas límpidas águas do conhecimento. A meus irmãos, Rafinha e Lucklu, por me inspirarem, por me ensinarem a arte da felicidade e por contribuírem com meu crescimento. Sou infinitamente grato. À minha amada esposa, Camila, por estar ao meu lado durante o período de tormentas do processo de doutoramento, por participar da consagração de uma obra conjunta, intitulada família nossa, e por acalentar meu coração, trazendo cor e harmonia para minha vida. À vovó Rosa e ao vovô José, pelo amor e por valorizarem a educação. À vovó Lola e ao vovô João, por ensinarem o valor da simplicidade e da honestidade. Ao tio Libânio, por ser amigo e generoso, por ensinar o valor de cada segundo, por fazer o que ama e por amar o que faz. À tia Rosa, agradeço pela inspiração, pelo primor, pelas cartas enviadas durante minha infância, incentivando-me a acreditar em meus sonhos, e pela doce acolhida no Ninho do Sol durante o meu doutoramento. À minha madrinha, Sônia, por ensinar que a educação é feita com liberdade e com estímulo. À tia Cleuza Helena Gonçalves, agradeço pelos telefonemas, pelas mensagens, pelo incentivo e pelo carinho. Aos meus queridos primos, Guilherme, irmão da vida eterna, e Josiane, agradeço imensamente pelo carinho com que me receberam e por todo o apoio prestado durante o período em que estive pelas bandas de São Paulo. A toda minha grande e amada família, de hoje e de ontem, avós, tios, primos, sobrinhos e amigos, pelo amor, pelos sorrisos e pelos abraços. Ao mestre, prof. Dr. Adilson Gonzaga, por orientar-me nesta formação, por fazerme pesquisador, pela paciência e presteza, pelas conversas agradáveis, pelo ensinamento inestimável e pela memorável biblioteca.

show abstract