Resumen

Aunque en la literatura se han propuesto varios enfoques prometedores, la detección genérica de objetos a nivel de categoría sigue siendo un reto debido a la alta variabilidad intraclase y a la ambigüedad en la apariencia entre diferentes instancias de objetos. Desde el punto de vista de la construcción de modelos de objetos, debe tenerse en cuenta el equilibrio entre flexibilidad y discriminación. Motivados por estas demandas, proponemos un nuevo modelo de campo aleatorio condicional (CRF) basado en partes jerárquicas contextuales, que no sólo se basa en la apariencia individual de las partes del objeto, sino que también modela simultáneamente las interacciones contextuales de las partes. Mediante el uso de una formulación jerárquica latente de dos capas de etiquetas y una estructura de vecindad ponderada, el modelo puede codificar eficazmente las dependencias entre las partes del objeto. Mientras tanto, se introducen características locales betaestables como datos observados para garantizar la capacidad de discriminación y la robustez de la descripción de las partes. El problema de la detección de categorías de objetos puede resolverse en un marco probabilístico utilizando un método de aprendizaje supervisado basado en la estimación máxima a posteriori (MAP). Las ventajas del modelo propuesto se demuestran en el conjunto de datos estándar y en imágenes de satélite.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:modelo, apariencia individual de la parte del objeto, parte jerárquica contextual novedosa, problema de detección de categorías de objetos, campo aleatorio condicional, diferentes instancias de objetos, alta variabilidad intraclase, detección de objetos a nivel, varios enfoques prometedores, características locales estables
• Keywords:model, individual object part appearance, novel contextual hierarchical part, object category detection problem, conditional random field, different object instances, high intraclass variability, level object detection, several promising approaches, stable local features