• Türkçe
    • English
  • English 
    • Türkçe
    • English
  • Login
View Item 
  •   DSpace@Işık
  • 1- Fakülteler | Faculties
  • Mühendislik Fakültesi / Faculty of Engineering
  • Elektrik-Elektronik Mühendisliği Bölümü / Department of Electrical-Electronics Engineering
  • MF - Bildiri Koleksiyonu | Elektrik-Elektronik Mühendisliği Bölümü / Department of Electrical-Electronics Engineering
  • View Item
  •   DSpace@Işık
  • 1- Fakülteler | Faculties
  • Mühendislik Fakültesi / Faculty of Engineering
  • Elektrik-Elektronik Mühendisliği Bölümü / Department of Electrical-Electronics Engineering
  • MF - Bildiri Koleksiyonu | Elektrik-Elektronik Mühendisliği Bölümü / Department of Electrical-Electronics Engineering
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Kernel kod-tablosu kodlaması ile sahne etiketleme

Thumbnail

View/Open

Publisher's Version (168.1Kb)

Date

2017-06-27

Author

Ateş, Hasan Fehmi
Sünetci, Sercan

Metadata

Show full item record

Citation

Ateş, H. F. & Sünetci, S. (2017). Scene labeling using kernel codebook encoding. Paper presented at the 2017 25th Signal Processing and Communications Applications Conference, SIU 2017, 1-4. doi:10.1109/SIU.2017.7960349

Abstract

Sahne bölütleme ve etiketlemede son yıllarda süperpiksel tabanlı yaklaşımların başarılı olduğu görülmektedir. Öncelikle görüntü bir süperpiksel algoritması ile görsel olarak tutarlı küçük parçalara bölütlenmekte; daha sonra her süperpiksel için çeşitli öznitelik betimleyicileri hesaplanıp sınıflandırma yapılmaktadır. Bu bildiride süperpiksel öznitelikleri için Kernel Kodtablosu Kodlama (KKT) yaklaşımı önerilmiştir. KKT’de öznitelik vektörleri için sabit nicemleme yerine birden fazla kodsözcüğüne yumuşak eşlemleme yapılmaktadır. Kodsözcüklerine atanan ağırlıklar bir kernel uzaklık fonksiyonu ile hesaplanmaktadır. KKT yöntemi SuperParsing görüntü ayrıştırma algoritmasında SIFT özniteliklerinin kodlanması için kullanılmıştır. Geliştirdiğimiz yöntem 2,688 görüntü ve 33 sınıf içeren SIFT Flow veri kümesi kullanılarak denenmiş ve SuperParsing yönteminden %2.7 daha yüksek ayrıştırma doğruluğu sağlanmıştır.
 
Superpixel based methods have recently shown success in scene segmentation and labeling. In scene labeling, a superpixel algorithm is used first to segment the image into visually consistent small regions; then several feature descriptors are computed and classification is performed for each superpixel. In this paper, Kernel Codebook Encoding (KCB) of superpixel features is proposed. In KCB feature vectors are mapped to multiple codewords in a soft manner, instead of the usual hard quantization. The weights assigned to the codewords are determined by a kernel distance function. KCB method is used for encoding of SIFT features in SuperParsing image parsing algorithm. The developed approach is tested on the SIFT Flow dataset consisting of 2,688 images and 33 classes, and achieves 2.7% increase in parsing accuracy over SuperParsing.
 

Source

2017 25th Signal Processing and Communications Applications Conference, SIU 2017

URI

https://hdl.handle.net/11729/1523
http://dx.doi.org/10.1109/SIU.2017.7960349

Collections

  • MF - Bildiri Koleksiyonu | Elektrik-Elektronik Mühendisliği Bölümü / Department of Electrical-Electronics Engineering [222]
  • Scopus İndeksli Bildiri Koleksiyonu [468]
  • WoS İndeksli Bildiri Koleksiyonu [372]

Related items

Showing items related by title, author, creator and subject.

  • Low complexity least minimum symbol error rate based post-distortion for vehicular VLC 

    Mitra, Rangeet; Miramirkhani, Farshad; Bhatia, Vimal; Uysal, Murat (Institute of Electrical and Electronics Engineers Inc., 2020-10-22)
    Vehicular visible light communications (VLC) has emerged as a viable supplement for high speed next-generation vehicle to vehicle (V2V) communication systems. However, performance of a V2V-VLC link is impaired due to ...
  • İlişkisel veri tabanlarında mükerrer kayıtların makine öǧrenmesiyle tespiti 

    Bayrak, Ahmet Tuğrul; Yılmaz, Aykut İnan; Yılmaz, Kemal Burak; Düzağaç, Remzi; Yıldız, Olcay Taner (Institute of Electrical and Electronics Engineers Inc., 2018-07-05)
    Veri miktarının artışına paralel olarak, ilişkisel veri tabanlarında mükerrer kayıtlar da artmaktadır. Artan bu kayıtlar kullanıldıkları rapor veya analizlerde tutarsızlığa sebep olabilmektedir. Bu sorunu en aza indirgemek ...
  • Adaptive convolution kernel for artificial neural networks 

    Tek, Faik Boray; Çam, İlker; Karlı, Deniz (Academic Press Inc., 2021-02)
    Many deep neural networks are built by using stacked convolutional layers of fixed and single size (often 3 × 3) kernels. This paper describes a method for learning the size of convolutional kernels to provide varying size ...



DSpace software copyright © 2002-2015  DuraSpace
Contact Us | Send Feedback
Theme by 
@mire NV
 

 




| Policy | Guide | Contact |

DSpace@Işık

by OpenAIRE
Advanced Search

sherpa/romeo

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsTypeLanguageDepartmentCategoryPublisherAccess TypeIşık AuthorCitationThis CollectionBy Issue DateAuthorsTitlesSubjectsTypeLanguageDepartmentCategoryPublisherAccess TypeIşık AuthorCitation

My Account

LoginRegister

Statistics

View Google Analytics Statistics

DSpace software copyright © 2002-2015  DuraSpace
Contact Us | Send Feedback
Theme by 
@mire NV
 

 


|| Policy || Guide || Library || Işık University || OAI-PMH ||

Işık University Library, Şile, İstanbul, Turkey
If you find any errors in content please report us

Creative Commons License
Işık University Institutional Repository is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 4.0 Unported License..

DSpace@Işık:


DSpace 6.2

tarafından İdeal DSpace hizmetleri çerçevesinde özelleştirilerek kurulmuştur.