کلمات کلیدی مربوط به کتاب استخراج قاب کلید مشترک و تقسیم بندی اشیا for برای تجزیه و تحلیل فیلم مبتنی بر محتوا: انفورماتیک و محاسبات، پردازش داده های رسانه ای، پردازش ویدئو
در صورت تبدیل فایل کتاب Joint Key-frame Extraction and Object Segmentation for Content-based Video Analysis به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب استخراج قاب کلید مشترک و تقسیم بندی اشیا for برای تجزیه و تحلیل فیلم مبتنی بر محتوا نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کار تا حدی توسط بنیاد ملی علوم (NSF) تحت Grant IIS-0347613
(CAREER) و وزارت دفاع EPCoR (DEPSCoR) تحت Grant
W911NF-04-1-0221 پشتیبانی می شود. این کار تا حدی در IEEE
Workshop on Motion and Video Computing, Breckenridge, Colorado,
5-6 ژانویه 2005 و کنفرانس بین المللی IEEE on Acoustics, Speech
and Signal Processing, Philadelphia, PA, 18-23 مارس 2005 منتشر
شده است.< div class=\"bb-sep\">استخراج فریم کلیدی مشترک و
تقسیم بندی اشیا برای تجزیه و تحلیل ویدئویی مبتنی بر محتوا
Abstract<
/strong>
استخراج فریم
کلیدی و تقسیم بندی شی معمولاً بهدلیل اینکه در سطوح معنایی
مختلف قرار دارند و ویژگیهای متفاوتی را شامل میشوند، بهطور
مستقل و جداگانه پیادهسازی میشوند. در این کار، ما یک روش مشترک
استخراج قاب کلید و تقسیم بندی شی را با ساختن یک فضای ویژگی
یکپارچه برای هر دو فرآیند پیشنهاد می کنیم، جایی که استخراج فریم
کلیدی به عنوان فرآیند انتخاب ویژگی برای تقسیم بندی شی در زمینه
مدل مخلوط گاوسی (GMM) فرموله می شود. مدل سازی ویدیویی مبتنی بر
) به طور خاص، دو معیار مبتنی بر واگرایی برای استخراج فریم کلیدی
معرفی شدهاند. یکی استخراج فریم کلیدی را توصیه می کند که منجر
به حداکثر واگرایی بین کلاسی زوجی بین اجزای GMM می شود. هدف دیگر
به حداکثر رساندن واگرایی حاشیه ای است که تغییرات درون فریم
چگالی میانگین را نشان می دهد. روشهای پیشنهادی میتوانند
فریمهای کلیدی را برای تقسیمبندی شی استخراج کنند و برخی از
ویژگیهای جالب فریمهای کلیدی نیز مورد بحث قرار میگیرند. این
کار یک پارادایم منحصر به فرد برای تجزیه و تحلیل ویدیوی مبتنی بر
محتوا ارائه می دهد.
شرایط
شاخص — استخراج فریم کلیدی، تقسیم بندی شی، مدل مخلوط
گاوسی ، انتخاب ویژگی، واگرایی خوشه.
استخراج فریم
کلیدی مشترک و تقسیم بندی شی
فرمول بندی مشکل
حداکثر میانگین فاصله بین کلاسی کول بک لایبلر (MAIKLD)
حداکثر تنوع حاشیه ای
الگوریتم پیشنهادی
ویژگی های فریم کلیدی
شبیه سازی ها و بحث ها
تقسیم بندی اشیا
استخراج فریم کلید
محدودیتها
آهنگ Xiaomu، عضو، IEEE،
و Guoliang Fan، عضو ارشد IEEE.
X. Song با دانشکده مهندسی برق و کامپیوتر، دانشگاه ایالتی
اوکلاهما، Stillwater، OK 74078، ایالات متحده آمریکا بود. او
اکنون در دانشگاه نورث وسترن، ایوانستون، IL 60208، ایالات متحده،
ایمیل: xmsong@ieee.org است. G. Fan با دانشکده مهندسی برق و
کامپیوتر، دانشگاه ایالتی اوکلاهما، Stillwater، OK 74078، ایالات
متحده، ایمیل: guoliang.fan@okstate.edu است. Guoliang فن نویسنده
تماس است.
This work is supported in part by the National Science
Foundation (NSF) under Grant IIS-0347613 (CAREER) and the
Department of Defense EPSCoR (DEPSCoR) under Grant
W911NF-04-1-0221;. This work is partially published in IEEE
Workshop on Motion and Video Computing, Breckenridge, Colorado,
Jan. 5-6, 2005, and IEEE International Conference on Acoustics,
Speech and Signal Processing, Philadelphia, PA, March 18-23,
2005.
Joint Key-frame Extraction and Object
Segmentation for Content-based Video Analysis
Abstract
Key-frame extraction and object
segmentation are usually implemented independently and
separately due to the fact that they are on different semantic
levels and involve different features. In this work, we propose
a joint key-frame extraction and object segmentation method by
constructing a unified feature space for both processes, where
key-frame extraction is formulated as a feature selection
process for object segmentation in the context of Gaussian
mixture model (GMM)-based video modeling. Specifically, two
divergence-based criteria are introduced for key-frame
extraction. One recommends key-frame extraction that leads to
the maximum pairwise interclass divergence between GMM
components. The other aims at maximizing the marginal
divergence that shows the intraframe variation of the mean
density. The proposed methods can extract representative
key-frames for object segmentation, and some interesting
characteristics of key-frames are also discussed. This work
provides a unique paradigm for content-based video analysis.
Index Terms —
Key-frame extraction, object segmentation, Gaussian mixture
model, feature selection, cluster divergence.
Joint Key-frame Extraction
and Object Segmentation
Problem Formulation
Maximum Average Interclass Kullback Leibler Distance
(MAIKLD)
Maximum Marginal Diversity
Proposed Algorithm
Key-frame Characteristics
Simulations and Discussions
Object Segmentation
Key-frame Extraction
Limitations
Xiaomu Song, Member, IEEE, and
Guoliang Fan, Senior Member, IEEE.
X. Song was with the School of Electrical and Computer
Engineering, Oklahoma State University, Stillwater, OK 74078,
USA. He is now with Northwestern University, Evanston, IL
60208, USA, email: xmsong@ieee.org. G. Fan is with the School
of Electrical and Computer Engineering, Oklahoma State
University, Stillwater, OK 74078, USA, email:
guoliang.fan@okstate.edu. Guoliang Fan is the contact author.