Recent Advances in Scene Image Representation and Classification

要約

今日の深層学習アルゴリズムの台頭により、シーン画像表現方法は分類のパフォーマンスを大幅に向上させました。
ただし、シーン画像はほとんどが複雑で、クラス内非類似性とクラス間類似性の問題が高いため、パフォーマンスは依然として制限されています。
このような問題に対処するために、いくつかの方法が文献で提案されており、その利点と制限があります。
画像表現と分類の問題における長所と短所を理解するには、以前の研究の詳細な研究が必要です。
この論文では、画像分類に広く使用されている既存のシーン画像表現方法をレビューします。
このために、まず、今日までに文献で提案されている独創的な既存の方法を使用して分類法を考案します{ディープラーニング（DL）ベース、コンピュータービジョン（CV）ベース、および検索エンジン（SE）ベースの方法を使用}
.
次に、それらのパフォーマンスを質的 (例: 出力の質、長所/短所など) と量的 (例: 精度) の両方で比較します。
最後に、{キーワードの成長とタイムライン分析} を使用して、シーン画像表現タスクにおける顕著な研究の方向性を推測します。全体として、この調査は、3 つの異なる方法での最近のシーン画像表現方法の詳細な洞察と応用を提供します。

要約(オリジナル)

With the rise of deep learning algorithms nowadays, scene image representation methods have achieved a significant performance boost in classification. However, the performance is still limited because the scene images are mostly complex having higher intra-class dissimilarity and inter-class similarity problems. To deal with such problems, there have been several methods proposed in the literature with their advantages and limitations. A detailed study of previous works is necessary to understand their advantages and disadvantages in image representation and classification problems. In this paper, we review the existing scene image representation methods that are being widely used for image classification. For this, we, first, devise the taxonomy using the seminal existing methods proposed in the literature to this date {using deep learning (DL)-based, computer vision (CV)-based, and search engine (SE)-based methods}. Next, we compare their performance both qualitatively (e.g., quality of outputs, pros/cons, etc.) and quantitatively (e.g., accuracy). Last, we speculate on the prominent research directions in scene image representation tasks using {keyword growth and timeline analysis.} Overall, this survey provides in-depth insights and applications of recent scene image representation methods under three different methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google