$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

고속 이미지 검색을 위한 2진 시각 단어 생성 기법
Binary Visual Word Generation Techniques for A Fast Image Search

정보과학회논문지 = Journal of KIISE, v.44 no.12, 2017년, pp.1313 - 1318  

이수원 (한국과학기술원 전산학부)

초록
AI-Helper 아이콘AI-Helper

다수의 지역 특징들을 취합하여 하나의 벡터로 표현하는 것은 이미지 검색의 핵심 기술이다. 이 과정에서 경사도 기반 특징에 비해 수십 배 빠르게 추출되는 2진 특징이 활용된다면 이미지 검색의 고속화가 가능하다. 이를 위해서는 2진 특징들을 군집하여 2진 시각 단어를 생성하는 기법에 대한 연구가 선행되어야 한다. 기존의 경사도 기반 특징들을 군집하는 전통적인 방식으로는 2진 특징들을 군집할 수 없기 때문이다. 이를 위해 본 논문은 2진 특징들을 군집하여 2진 시각 단어를 생성하는 기법들에 대해 연구한다. 실험을 통해 2진 특징의 활용이 이미지 검색에 미치는 정확도와 연산효율 사이의 상충관계에 대해 분석한 후, 제안한 기법들을 비교한다. 본 연구는 고속 이미지 검색을 필요로 하는 모바일 응용, 리얼 타임 응용, 웹 스케일 응용 등에 활용될 것으로 기대된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Aggregating local features in a single vector is a fundamental problem in an image search. In this process, the image search process can be speeded up if binary features which are extracted almost two order of magnitude faster than gradient-based features are utilized. However, in order to utilize t...

주제어

#고속 이미지 검색   #2진 특징   #시각 단어   #2진 시각 단어  

참고문헌 (9)

  1. D. Lowe, “Distinctive image features from scaleinvariant keypoints,” International Journal of Computer Vision, Vol. 60, No. 2, pp. 91-110, 2004. 

    상세보기 crossref

  2. J. Sivic, and A. Zisserman, "Video Google: a text retrieval approach to object matching in videos," Proc. of the IEEE International Conference on Computer Vision 2003, pp. 1470-1477, 2003. 

  3. E. Rosten, and T. Drummond, "Machine learning for high-speed corner detection," Proc. of the European Conference on Computer Vision 2006, pp. 430-443, 2006. 

  4. M. Calonder, V. Lepetit, C. Strecha, and P. Fua, "BRIEF: binary robust independent elementary features," Proc. of the European Conference on Computer Vision 2010, pp. 5-11, 2010. 

  5. E. Rublee, V. Rabaud, K. Konolige, and G. Bradski, "ORB: an efficient alternative to SIFT or SURF," Proc. of the International Conference on Computer Vision 2011, pp. 2564-2571, 2011. 

  6. S. Leutenegger, M. Chli, and R. Siegwart, "BRISK: Binary robust invariant scalable keypoints," Proc. of the International Conference on Computer Vision 2011, pp. 2548-2555, 2011. 

  7. A. Alahi, R. Ortiz, and P. Vandergheynst, "FREAK: Fast Retina Keypoint," Proc. of the IEEE Conference on Computer Vision and Pattern Recognition 2012, pp. 510-517, 2012. 

  8. D. Arthur, and S. Vassilvitskii, "k-means++: the advantages of careful seeding," Proc. of the 18th annual ACM-SIAM symposium on Discrete algorithms 2007, pp. 1027-1035, 2007. 

  9. D. Nister, and H. Stewenius, "Scalable recognition with a vocabulary tree," Proc. of the IEEE Conference on Computer Vision and Pattern Recognition 2006, pp. 2161-2168, 2006. 

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로