A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Multi-Stage Contour Primitive of Interest Extraction Network with Dense Direction Classification Rede de extração de interesse primitivo de contorno multiestágio com classificação de direção densa

Jinyan LU, Quanzhen HUANG, Shoubing LIU

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Para medição inteligente da visão, a extração de características geométricas da imagem é uma questão essencial. Primitivo de interesse de contorno (CPI) significa um recurso de contorno de formato regular situado em um objeto alvo, que é amplamente utilizado para cálculo geométrico em medição de visão e servoacionamento. Para perceber que o modelo de extração CPI pode ser aplicado de forma flexível a diferentes objetos novos, a extração CPI baseada em aprendizagem única pode ser implementada com rede neural convolucional profunda, usando apenas uma imagem de suporte anotada para orientar o processo de extração CPI. Neste artigo, propomos uma rede de extração de primitivas de interesse de contorno de vários estágios (MS-CPieNet), que usa a estratégia de vários estágios para melhorar a capacidade de discriminação de CPI e antecedentes complexos. Em segundo lugar, o módulo de atenção espacial não local é utilizado para aprimorar as características profundas, fundindo globalmente as características da imagem com alcances curtos e longos. Além disso, a classificação densa em 4 direções é projetada para obter a direção normal do contorno, e as direções podem ser usadas posteriormente para o pós-processo de desbaste do contorno. A eficácia dos métodos propostos é validada pelos experimentos com os conjuntos de dados OCP e ROCM. Experimentos de medição 2-D são conduzidos para demonstrar a aplicação conveniente do MS-CPieNet proposto.

Publicação
IEICE TRANSACTIONS on Information Vol.E105-D No.10 pp.1743-1750
Data de publicação
2022/10/01
Publicitada
2022/07/06
ISSN online
1745-1361
DOI
10.1587/transinf.2022EDP7031
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Jinyan LU
  Henan University of Engineering
Quanzhen HUANG
  Henan University of Engineering
Shoubing LIU
  Henan University of Engineering

Palavra-chave