ایران سای | IranSci.IR

	ایران ساینس (IranSci)

		ورود به سیستم

		ثبت نام عضو جدید

		فراخوان مقاله خارجی

		فراخوان مقاله داخلی

	صفحه کاربری

206811

543

121

3777

شنبه ۱۴ اردیبهشت ۱۳۹۲

3 بازدید کننده عضو

11 بازدید کننده مهمان

لیست ژورنالهای ISI مهندسی الکترونیک  (Electrical and Electronic Engineering)

لیست ژورنالهای ISI علوم کامپیوتر
(Computer Science)

لیست ژورنالهای ISI مهندسی هوا فضا
(Aerospace Engineering)

لیست ژورنالهای ISI مهندسی صنایع
(Industrial and Manufacturing Engineering)

همه کنفرانس ها

همه کنفرانس ها

تخفیف هزینه خدمات برای کاربران - فقط تا آخر اردیبهشت 92 - طرح معلم2 متن کامل خبر ۱۳۹۲/۲/۵ ۱:۱۸:۳۷ ب ظ

قابل توجه دانشگاهها و موسسات آموزش عالی ..:: اکانت ویژه دانشگاهها ::... متن کامل خبر ۱۳۹۲/۲/۴ ۱۱:۴۸:۵۱ ق ظ

دوازدهمين کنفرانس سيستم‌هاي هوشمند ايران ICIS 2014 متن کامل خبر ۱۳۹۲/۲/۲ ۱۰:۸:۴۱ ب ظ

طرح مشاوره علمی مشاوران و اساتید متخصص ایران سای با کاربران متن کامل خبر ۱۳۹۲/۱/۲۸ ۵:۱۵:۲۲ ب ظ

ایران سای : مقاله معتبر چه مقاله ای است؟ (بخش دوم) متن کامل خبر ۱۳۹۲/۱/۸ ۱:۳۵:۵۶ ق ظ

1 2

Title: Feature Mining for Image Classification
Authors: Piotr Dollar Zhuowen Tu Hai Tao Serge Belongie
Abstract: The efficiency and robustness of a vision system is of-ten largely determined by the quality of the image featuresavailable to it. In data mining, one typically works withimmense volumes of raw data, which demands effective al-gorithms to explore the data space. In analogy to data min-ing, the space of meaningful features for image analysis isalso quite vast. Recently, the challenges associated withthese problem areas have become more tractable throughprogress made in machine learning and concerted researcheffort in manual feature design by domain experts. In thispaper, we propose a feature mining paradigm for imageclassification and examine several feature mining strate-gies. We also derive a principled approach for dealing withfeatures with varying computational demands. Our goal isto alleviate the burden of manual feature design, which is akey problem in computer vision and machine learning. Weinclude an in-depth empirical study on three typical datasets and offer theoretical explanations for the performanceof various feature mining strategies. As a final confirma-tion of our ideas, we show results of a system, that utilizingfeature mining strategies matches or outperforms the bestreported results on pedestrian classification (where consid-erable effort has been devoted to expert feature design).

Publisher: CVPR - IEEE