Analyzing the effects of low-level features for visual attribute recognition
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Görsel nitelikler bilgisayarlı görü alanında son zamanlarda popüler olmaya başlamış bir konudur. Görsel nitelikler nesne tanıma, insan arama, sahne tanıma gibi bir çok alanda kullanılmaktadır. Görsel niteliklerin öğreticiyle öğrenilebilmesi için ilk adım düşük seviyeli özniteliklerin çıkartılmasıdır. Sonrasında görsel nitelik öğrenme algoritmaları uygulanarak görsel nitelik modelleri oluşturulur.Bu tez çalışmasında düşük seviyeli özniteliklerin görsel nitelik öğrenmeye etkisi araştırılmıştır. Bu amaçla şekil, renk ve doku gibi farklı görsel karakteristikleri tanımlayabilen çeşitli öznitelikler kullanılmıştır. Ayrıca gitgide gelişmekte olan derin özniteliklerin görsel nitelik öğrenmeye etkileri de değerlendirilmiştir. Deneyleri gerçekleştirmek için farklı görsel tanıma görevleri için tanımlanmış dört adet veri kümesi kullanılmış ve sonuçları kaydedilmiştir. Sonuçlarımıza göre görsel nitelik öğrenme için derin öznitelik kullanımı etkilidir. Bunun yanında bu özniteliklerin düşük seviyeli öznitelikler ile kombinasyonu daha etkili sonuçlar vermiştir. In recent years, visual attributes became a popular topic of computer vision research. Visual attributes are being used on various tasks including object recognition, people search, scene recognition, and so on. In order to encode the visual attributes, a common applied procedure for supervised learning of attributes is to extract low-level visual features from the images first. Then, an attribute learning algorithm is applied and visual attribute models are formed. In this thesis, we explore the effects of using different low-level features on learning visual attributes. For this purpose, we use various low-level features, which aim to capture different visual characteristics, such as shape, color and texture. In addition, we also evaluate the effect of the recently evolving deep features on the attribute learning problem. Experiments have been carried out on four different datasets, which were collected for different visual recognition tasks and extensive evaluations have been reported. Our results show that, while using the supervised deep features are effective, using them in combination with low-level features are more effective for visual attribute learning.
Collections