Overview of techniques for detecting object’s features and embedding them in multidimensional spaces

• Autorzy: Wasiluk Rafał

Identyfikatory

DOI

10.5604/01.3001.0055.2089

Warianty tytułu

PL

Przegląd technik wykrywania cech obiektu oraz osadzania ich w przestrzeniach wielowymiarowych

• Języki publikacji: EN

Abstrakty

EN

It is evident that each object in the real world possesses unique properties. A subset of these characteristics can be readily described in quantitative terms. Examples of such features include the number of wheels in a vehicle, the floor area of a residential property, or the year of construction of a building. However, certain characteristics of objects exhibit a higher level of complexity. Examples of such features include object shape, color, and texture. These characteristics, frequently defined in terms of objects depicted in images, represent the primary characteristics that can be identified in real-world objects. The processing of these visual attributes has been the subject of scientific research for decades, and the literature on this topic is extensive. The objective of this article is to synthesize the existing methods for detecting object’s shape, color, and texture and embedding them in multidimensional spaces. By applying these methods, it is possible to represent the features of the object as points in multidimensional spaces. Such representations can be used to solve multicriteria optimization problems.

PL

Każdy obiekt w otaczającym nas świecie posiada unikalne cechy. Część z nich, np. ilość kół w pojeździe, powierzchnia nieruchomości lub rok budowy budynku, może być z łatwością opisana przy wykorzystaniu liczb. Istnieją jednak takie cechy obiektów, które charakteryzują się wyższą złożonością i nie można ich w tak prosty sposób opisać. Przykładem takich właściwości może być: kształt, zestaw kolorów lub faktura materiału obiektu. Cechy te są definiowane w kontekście obiektów przedstawionych na obrazach i opisują najbardziej podstawowe właściwości obiektów świata rzeczywistego. Tematyka przetwarzania wspomnianych cech wizualnych jest tematem badań naukowych od wielu dekad, a powstała w tym zakresie literatura jest bardzo obszerna. Niniejszy artykuł zbiera najważniejsze z istniejących podejść do zagadnienia wykrywania kształtu obiektu, jego kolorów, faktury materiału oraz osadzania ich reprezentacji w przestrzeniach wielowymiarowych. Wykorzystanie tych metod czyni możliwym przedstawienie cech obiektu pod postacią punktów w przestrzeniach wielowymiarowych. To z kolei otwiera drogę do wykorzystania przygotowanych reprezentacji w rozwiązywaniu zadań optymalizacji wielokryterialnej.

Słowa kluczowe

EN

visual features; feature extraction; feature embedding

PL

cechy wizualne; ekstrakcja cech; osadzanie cech

• Wydawca: Institute of Computer and Information Systems, Faculty of Cybernetics, Military University of Technology
• Czasopismo: Computer Science and Mathematical Modelling
• Rocznik: 2024
• Tom: No. 20
• Strony: 29--37
• Opis fizyczny: Bibliogr. 24 poz., rys.

Twórcy

autor

Wasiluk Rafał

• Military University of Technology, Doctoral School, Kaliskiego Str. 2, 00-908 Warsaw, Poland

Bibliografia

• [1] Jain A. K., Duin R. P. W., Mao J., “Statistical pattern recognition: a review”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 22, No. 1, 4-37, (2000).
• [2] Talmi I., Mechrez R., Zelnik-Manor L., “Template Matching with Deformable Diversity Similarity”, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, USA, 2017, p. 1311-1319.
• [3] Dai W., Chang T., Zhang, L., “Template matching based on deformation diversity similarity and scale filtering”, 2020 IEEE 3rd International Conference of Safe Production and Informatization (IICSPI), Chongqing City, China, 2020, p. 704-708.
• [4] Shugen W., “Framework of pattern recognition model based on the cognitive psychology”, Geo-Spatial Information Science, Vol. 5, No. 2, 74-78 (2002).
• [5] Zhanwei Y., Fuguo L., Peng Z., Bo C., “Description of shape characteristics through Fourier and wavelet analysis”, Chinese Journal of Aeronautics, Vol. 27, No. 1, 160-168 (2014).
• [6] Zhang D., Lu G., “Study and evaluation of different Fourier methods for image retrieval”, Image and Vision Computing, Vol. 23, No. 1, 33-49 (2005).
• [7] Yadav R. B., Nishchal N. K., Gupta A. K., Rastogi V. K., “Retrieval and classification of shape-based objects using Fourier, generic Fourier, and wavelet-Fourier descriptors technique: A comparative study”, Optics and Lasers in Engineering, Vol. 45, No. 6, 695-708 (2007).
• [8] Kunttu I., Lepistö L., Rauhamaa J., Visa A., “Multiscale Fourier Descriptor for Shape-Based Image Retrieval”, Proceedings of the 17th International Conference on Pattern Recognition (ICPR’04), Vol. 2, p. 765-768, IEEE Computer Society 2004.
• [9] Bobulski J., Rozpoznawanie wzorców 2D i 3D na obrazach cyfrowych za pomocą ukrytych modeli Markowa, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2018.
• [10] Kwiatkowski W., Metody automatycznego rozpoznawania wzorców, BEL Studio, Warszawa, 2007.
• [11] Bromley J., Guyon I., LeCun Y., Säckinger E., Shah R., “Signature Verification using a ʻSiameseʼ Time Delay Neural Network”, International Journal of Pattern Recognition and Artificial Intelligence, Vol. 7(4) 669-688 (1993), DOI: 10.1142/S0218001493000339.
• [12] Xiongfeng Y., Min Y., “A Comparative Study of Various Deep Learning Approaches to Shape Encoding of Planar Geospatial Objects”, International Journal of Geo-Information, Vol. 11, No. 10, art. 527 (2022), DOI: 10.3390/ijgi11100527.
• [13] Gaupta L., Dayeh M. R., Tammana R., “A neural network approach to robust shape classification”, Pattern Recognition, Vol. 23, No. 6, 563-568 (1990).
• [14] Bianconi F., Fernández A., Smeraldi F., Pascoletti G., “Colour and Texture Descriptors for Visual Recognition: A Historical Overview”, Journal of Imaging, Vol. 7, No. 11, art. 245 (2021).
• [15] Liang P., Blasch E., H. Ling, “Encoding Color Information for Visual Tracking: Algorithms and Benchmark”, IEEE Transactions on Image Processing, Vol. 24, No. 12, 5630-5644 (2015).
• [16] Cusano C., Napoletano P., Schettini R., „Evaluating color texture descriptors under large variations of controlled lighting conditions.”, Journal of the Optical Society of America A, Vol. 33, No. 1, 17-30 (2015).
• [17] Stricker M. A., Orengo M., “Similarity of color images”, IS & T/SPIE Symp. On Electronic Imaging: Science & Technology, p. 381-392, Int. Soc. for Optics and Photonics, 1995.
• [18] Bomi K., Sunhyeok L., Nahyun K., Donggon J., Dae-Shik K., “Learning Color Representations for Low-Light Image Enhancement”, 2022 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), p. 904-912, Waikoloa, USA, 2022.
• [19] Haralick R. M., Shanmugam K., Dinstein I., “Textural Features for Image Classification.”, IEEE Transactions on Systems, Man and Cybernetics, Vol. SMC-3, No. 6, 610-621 (1973).
• [20] Thiyaneswaran B., Anguraj K., Kumarganesh S., Thangaraj K., “Early detection of melanoma images using gray level co-occurrence matrix features and machine learning techniques for effective clinical diagnosis”, International Journal of Imaging Systems and Technology, No. 31, 682-694 (2021), DOI: 10.1002/ima.22514.
• [21] Sferrazza P., “Grey level co-occurrence matrix and learning algorithms to quantify and classify use-wear on experimental flint tools”, Journal of Archaeological Science: Reports, Vol. 48, art. 103869 (2023), DOI: 10.1016/j.jasrep.2023.103869.
• [22] Hadid A., “The Local Binary Pattern Approach and its Applications to Face Analysis”, 2008 First Workshops on Image Processing Theory, Tools and Applications, p. 1-9, Sousse, Tunisia, 2008.
• [23] Hu Y., Long Z., AlRegib G., “Multi-Level Texture Encoding and Representation (Multer) Based on Deep Neural Networks”, 2019 IEEE International Conference on Image Processing (ICIP), p. 4410-4414, Taipei, Taiwan, 2019.
• [24] Xu X., Li Y., Wu Q. M. J., “A compact multi-pattern encoding descriptor for texture classification”, Digital Signal Processing, Vol. 114, art. 103081 (2021), DOI: 10.1016/j.dsp.2021.103081.