Signal-Symbol Feedback Process in a
Author
Yan, Shi
Term
4. term
Education
Publication year
2008
Pages
66
Abstract
Billedbehandling og computer vision har længe haft som mål at efterligne menneskets syn for at udtrække træk og genkende objekter. Dette arbejde forbedrer udtrækning af træk med et feedback, hvor forudsigelser fra bevægelse (symbolbaserede træk) og fra modeller (modelbaserede træk) optimerer træk, der stammer direkte fra billedsignalet (signalbaserede træk). Vi repræsenterer 3D-cirkler som modelbaserede træk og beregner dem via 2D-ellipser; en ellipticitetskontrolfunktion fjerner ugyldige 3D-cirkelhypoteser. Feedbacket udbreder 3D symbol- eller modeltræk til signalet med en tredimensionel Gauss-funktion. Det opdaterede signal udløser derefter en ny skabelse af træk. Disse trin gentages i et loop, kaldet “signal-symbol-loopet”. Både kunstige og virkelige sekvenser demonstrerer mekanismens ydeevne.
Image processing and computer vision have long aimed to mimic human visual perception to extract features and recognize objects. This work improves feature extraction using a feedback process: predictions from motion (symbol-based features) and from models (model-based features) help optimize features that are computed directly from the image signal (signal-based features). We represent 3D circles as model-based features and compute them via 2D ellipses; an ellipticity check function eliminates invalid 3D circle hypotheses. The feedback mechanism spatially propagates 3D symbol-based or 3D model-based features back to the signal using a three-dimensional Gaussian function. The updated signal then triggers the re-creation of features. These steps form a loop, called the “signal-symbol loop.” Both synthetic and real sequences demonstrate the feedback mechanism’s performance.
[This abstract was generated with the help of AI]
Keywords
Documents