搜索资源列表
Scene(classic)
- 用经典K均值方法进行体育视频中的场景分类
金字塔SIFT提取
- 金字塔SIFT提取,用来做场景分类.
ImageRegistration.rar
- 基于边缘特征的图像配准算法源码 基于边缘特征的图像配准算法是将不同时间、不同的传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的同一场景的两幅或多幅图像根据其边缘特征进行匹配、叠加的处理，最终生成一幅全景图像的方法。该方法具有抗噪性强，匹配速度快，误匹配率低，适用于多种类型的图像等优点，主要可以运用于以下领域： （1）军事研究领域，如飞行器辅助导航系绞、武器投射系统的末制导以及寻地等应用研究； （2）医学图像分析，如数字剪影血管造影DSA血管造影术、肿瘤检测、白内障检测、
Recognition
- 運動識別 在摄像机监视的场景范围内，对出现的运动目标进行检测、分类及轨迹追踪，可应用于各种监控目的，如周界警戒及入侵检测、绊线检测、非法停车车辆检测等。-Movement Recognition ' scene in the scope of surveillance cameras, the emergence of the moving target detection, classification and tracking, monitoring can be applied
MILL
- 模式识别中，多标签标记中的经典代码，主要用于场景分类，目标识别，结合svm和boost算法对自然场景进行分类，真的很不错，看看吧-Pattern Recognition, multi-tagged in the classic code, mainly used for scene classification, object recognition, combined with svm and boost the natural scene classification algorithm,
BiofeaEx
- Biofeature 特征提取可用于场景分类-Biofeature feature extraction can be used for scene classification
lbp(1)
- 是一种纹理描述算子用于快速提取图像的纹理特征,应用于医学图像检索,场景分类等.-Is a texture descr iption operator for rapid extraction of texture features, used in medical image retrieval, scene classification.
7788
- 大名鼎鼎的方帅的博士学位论文---目前,计算机智能视频监控在理论和应用上都面临着很多难题,国内外大批学者投身于该领域的研究和探索,并且取得了大量的成果.本文是在这些成果的基础上,对计算机智能视频监控系统的关键技术进行研究.主要贡献可概括如下:首先,对目标检测技术进行了研究,并提出了一种基于背景建模的运动目标检测算法.利用统计的方法建立了基于颜色和颜色梯度的背景模型,并实时地对背景模型进行更新,最后将这两种背景模型综合考虑对目标进行了有效的检测.接着,研究了复杂背景下多目标跟踪问题,提出了基于蒙特
SC_demo
- 整理图像特征点提取和分类的程序（可以作为场景分类的前期工作），自己调试过能运行，特征点提取用的SIFT算法，使用K-means聚类算法，将得到的20个聚类中心写入txt文本中-Finishing the image feature point extraction and classification procedures (which can be as the preparatory work of the scene classification), their own debugging
SceneClasification
- 用于场景分类的代码，特征是事先提取好的，用PHOG特征-For scene classification code, characterized in that prior extraction good PHOG characterized
Video-scene-classification
- 有关视频场景分类的几篇文章，都是比较经典的文章，适合入门者。-For articles classified video scenes are more classic article, suitable for beginners.
- 对场景分类和语义特征稀疏化的高层图像表示-Object Bank: A High-Level Image Representation for Scene Classification & Semantic Feature Sparsification
opencv
- 图像场景分类的bow模型opencv源代码，采用k-means聚类构造单词，采用支持向量机的svm分类器。-Image scene classification bow model opencv source code, using k-means clustering structure of words, using support vector machine svm classifier.
rough-set
- 图像场景分类中视觉词包分类的应用与操作代码-Review of the bag-of-visual-words models in image scene classification
stero
- 自然场景分类与目标识别关键技术研究_周莉 通用视觉目标识别的关键技术研究_黄双萍0000.caj0000000于机器学习的物体识别_刘光灿.caj-Key technical nature scene classification and object recognition _ Zhou Li Key Technology Research on General visual object recognition _ Huang Shuangping 0000.caj0000000
changjingshibiefenlei
- 本文件是图像场景识别并进行分类的程序，已运行成功。 分别利用1 tiny image描述和最近邻分类器 2 bags of sifts描述和最近邻分类器 3bags of sifts描述和线性svm分类器进行场景分类识别的。 在主程序proj3中将FEATURE 改成tiny image，CLASSIFIER 改成nearest neighbor，注释其他FEATURE 和CLASSIFIER的选择就可以实现第一种场景分类识别：tiny image描述和最近邻分类器。以此类
code
- 基于词袋的场景分类，分类器采用SVM和最近邻，需要vlfeat和图片见http://cs.brown.edu/courses/csci1430/proj3/-Based on word bag scene classification, SVM classifier using the nearest neighbor and need vlfeat and pictures see http://cs.brown.edu/courses/csci1430/proj3/
MLkNN
- ML-KNN，这是来自传统的K-近邻（KNN）算法。详细地，为每一个看不见的实例中，首先确定了训练集中的k近邻。之后，基于从标签集获得的统计信息。这些相邻的实例，即属于每个可能类的相邻实例的数量，最大后验（MAP）原理。用于确定不可见实例的标签集。三种不同现实世界中多标签学习问题的实验研究，即酵母基因功能分析、自然场景分类和网页自动分类，表明ML-KNN实现了卓越的性能(ML-KNN which is derived from the traditional K-nearest neighbo
sigma点的代码
- 基于分割的局部Sigma语义特征点，是对场景中的语义目标进行建模。先在传统的图像分割基础上，分割出场景的前景目标，再结合像素位置、颜色、Gabor特征和LBP特征[构造出表征目标语义信息的协方差描述子，最后将其转换成欧式空间下的Sigma点特征，适用于标准SVM的场景学习和分类。(The segmentation based local Sigma semantic feature points are modeling the semantic objects in the scene. In
fenlei
- 利用深度学习进行遥感图像场景分类 这里我们对NWPU-RESISC45数据集的场景图像进行分类 我们将卷积神经网络应用于图像分类。我们从头开始训练数据集。此外，还应用了预先训练的VGG16 abd ResNet50进行迁移学习。(Scene Classification of Remote Sensing Images Using Deep Learning Here we classify scene images from NWPU-RESISC45 dataset We apply