Image Recognition using Region Creep

要約

この論文では、非常に迅速な学習フェーズを備えた浅いアーキテクチャを使用する、新しいタイプの自動連想画像分類器について説明します。
画像はより小さな領域に解析され、各領域は関連する出力カテゴリと共に領域用に直接保存されます。
新しい画像が提示されると、各パーツとの直接の一致が行われ、最も一致する領域が返されます。
各領域には、それが属するカテゴリのリストが格納されます。入力領域と出力カテゴリ リストの間には 1 対多の関係があります。
画像分類プロセスは、カテゴリ リストを合計して、画像全体の優先カテゴリを返します。
これらの領域は互いに重なり合う可能性があり、ある領域から隣接する領域に移動する場合、領域の画像部分にわずかな変化しかない可能性があります。
したがって、隣接する領域の結果を累積することにより、1 つの領域に最適な画像部分を推測することができます。
この連想機能は「リージョン クリープ」と呼ばれ、100% の一致が見つからない場合、累積されたリージョンを実際のリージョンと比較できます。
ルールを含めることができ、次のように述べることができます: 1 つのピクセル セットが存在する場合、別のセットを削除するか、画像全体に存在する必要があります。
従来の自動連想ネットワークに伴うメモリの問題は、このバージョンでは少なくなる可能性があり、一連の手書きの数字に対するテストでは最先端の結果が得られました。

要約(オリジナル)

This paper describes a new type of auto-associative image classifier that uses a shallow architecture with a very quick learning phase. The image is parsed into smaller areas and each area is saved directly for a region, along with the related output category. When a new image is presented, a direct match with each part is made and the best matching areas returned. Each area stores a list of the categories it belongs to, where there is a one-to-many relation between the input area and the output category list. The image classification process sums the category lists to return a preferred category for the whole image. These areas can overlap with each other and when moving from a region to its neighbours, there is likely to be only small changes in the area image part. It would therefore be possible to guess what the best image part is for one region by cumulating the results of its neighbours. This associative feature is being called ‘Region Creep’ and the cumulated region can be compared with the actual one when a 100% match is not found. Rules can be included and state that: if one set of pixels are present, another set should either be removed or should also be present, where this is across the whole image. The memory problems with a traditional auto-associative network may be less with this version and tests on a set of hand-written numbers have produced state-of-the-art results.

arxiv情報

著者 Kieran Greer
発行日 2022-10-20 12:37:36+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, eess.IV パーマリンク