موضوع سمینار: توصیف کننده ی SIFT

[arad_1366]

سلام.
بچه ها کسی مقاله ای داره که تو اون با مطلب یه برنامه ی کاربردی پردازش تصویر ساده پیاده سازی شده باشه؟
خارجی هم میتونه باشه. فقط جوری باشه که بتونم خودم دوباره همون کارو انجام بدم. برای ارائه سمینار می خام.
تشکر از بچه های گل این انجمن+

[رضا شفقی]

پاسخ : موضوع سمینار: توصیف کننده ی SIFT

http://gjset.org/Papers/GJSET%20-%20Paper%2000018.pdf

[arad_1366]

پاسخ : موضوع سمینار: توصیف کننده ی SIFT

ارائه درس سمینار؟!

برنامه ساده می خوای یه سر به دموهای متلب بزن
help->contents->image processing toolbox->demo

ممنونم اما من یه مقاله ساده می خام. تنها کد نمی خام که.
راستی این مفاله که گفتین خیلی سنگینه.

[hess]

پاسخ : موضوع سمینار: توصیف کننده ی SIFT

سلام ..

پیشنهاد من برای این پروژه این هست که روی موضوعی سرمایه و وقت بگذارید که بتونه به عنوان یک ابزار در مراحل آینده در کنارتون بمونه و کمکتون کنه تا به کارهای مختلف و ترکیب این ابزار با ایده های مختلف فکر کنید .. از این جهت هست که اگر روی یکی از Descriptor های معروف و پرکاربرد پتانسیل بگذارید، خیلی دید وسیعی پیدا میکنید، به خصوص Descriptor هایی که در محدوده های مختلف مورد استفاده و استقبال هستند .. هدف Descriptor ها این هست که از تصویر (به عنوان دیتای ورودی) یک توصیف به خصوص ارائه بدن که دارای معنی و مفهوم خاصی هست .. Descriptor ها ویژگی های منحصر به فردی دارن (بر طبق روابط و منطق های خاصی تعریف میشن و با هدفی معین) و از یک کلاس به کلاس دیگه (خوش بینانه و امیدوارانه) نوع توصیف اونها و کدینگی که انجام میدند (کدینگ به این استدلال که از محدوده ی پیکسل ها که تنها اطلاعات رنگی رو ارائه میدن، اطلاعات دیگری تولید کنیم که به نوعی بیان کننده ی برخی خصوصیات ذاتی و/یا نهانی تصویر هستند) تفاوت پیدا میکنه .. هدف کلی Descriptor ها به صورت خلاصه این هست .. یکی از معتبر ترین و پر کاربرد ترین Descriptor ها در محدوده ی Object Recognition یا Scene Description و یا حتی Object Detection توصیف کننده ی SIFT هست که شاید نام اون رو زیاد شنیده باشید .. حدود مدت ها پیش در همین بخش بحث مختصری در این مورد شده بود، امــا به دلیل رفتن ها و آمدن ها و تاخیر ها و نبودن ها اون بحث ها به نتیجه ی خوبی نرسید .. کاری که شما میتونید انجام بدید؛ این هست که بر روی این موضوع کار کنید و نتایج کارتون رو هم در سمینارتون ارائه بدید و هم در صورت تمایل با دوستان این انجمن به اشتراک بگذارید .. رفرنس اصلی این توصیف کننده، کد اون و مطالب مرتبط به اون رو میتونید در انتهای این پست دانلود کنید .. اصطلاحات و روابط این توصیف کننده زیاد مشکل نیست و در مجموع کار پیچیده ای نخواهید داشت (حتی میتونید بسیاری اسلاید های خوب هم دانلود کنید در فضای اینترنت و از اونها استفاده کنید در ارائه ی سمینارتون) امــا لازم هست که به دقت اولین رفرنس ضمیمه شده ی این پست رو بخونید و کد اون رو اجرا کنید (اجرای کد هم بسیار راحت هست و مشکلی با اون نخواهید داشت؛ و حتی میتونید از ReadMe این کد هم استفاده کنید .. همه چیز در اون فایل توضیح داده شده) و در نهایت اطلاعاتتون رو جمع بندی کنید و اون ها رو با دیگران به اشتراک بگذارید .. امیدوارم این موضوع بتونه براتون مفید باشه و بتونید در زمانی که دارید، بر روی اون کار کنید .. اگر تصمیم به انتخاب این موضوع گرفتید، بفرمائید تا عنوان تاپیک رو هم به تناسب، تغییر بدم و ویرایش کنم .. موفق و سلامت و شاد باشید ..

[arad_1366]

پاسخ : موضوع سمینار: توصیف کننده ی SIFT

سلام ..

پیشنهاد من برای این پروژه این هست که روی موضوعی سرمایه و وقت بگذارید که بتونه به عنوان یک ابزار در مراحل آینده در کنارتون بمونه و کمکتون کنه تا به کارهای مختلف و ترکیب این ابزار با ایده های مختلف فکر کنید .. از این جهت هست که اگر روی یکی از Descriptor های معروف و پرکاربرد پتانسیل بگذارید، خیلی دید وسیعی پیدا میکنید، به خصوص Descriptor هایی که در محدوده های مختلف مورد استفاده و استقبال هستند .. هدف Descriptor ها این هست که از تصویر (به عنوان دیتای ورودی) یک توصیف به خصوص ارائه بدن که دارای معنی و مفهوم خاصی هست .. Descriptor ها ویژگی های منحصر به فردی دارن (بر طبق روابر و منطق های خاصی تعریف میشن و با هدفی معین) و از یک کلاس به کلاس دیگه (خوش بینانه و امیدوارانه) نوع توصیف اونها و کدینگی که انجام میدند (کدینگ به این استدلال که از محدوده ی پیکسل ها که تنها اطلاعات رنگی رو ارائه میدن، اطلاعات دیگری تولید کنیم که به نوعی بیان کننده ی برخی خصوصیات ذاتی و/یا نهانی تصویر هستند) تفاوت پیدا میکنه .. هدف کلی Descriptor ها به صورت خلاصه این هست .. یکی از معتبر ترین و پر کاربرد ترین Descriptor ها در محدوده ی Object Recognition یا Scene Description و یا حتی Object Detection توصیف کننده ی SIFT هست که شاید نام اون رو زیاد شنیده باشید .. حدود مدت ها پیش در همین بخش بحث مختصری در این مورد شده بود، امــا به دلیل رفتن ها و آمدن ها و تاخیر ها و نبودن ها اون بحث ها به نتیجه ی خوبی نرسید .. کاری که شما میتونید انجام بدید؛ این هست که بر روی این موضوع کار کنید و نتایج کارتون رو هم در سمینارتون ارائه بدید و هم در صورت تمایل با دوستان این انجمن به اشتراک بگذارید .. رفرنس اصلی این توصیف کننده، کد اون و مطالب مرتبط به اون رو میتونید در انتهای این پست دانلود کنید .. اصطلاحات و روابط این توصیف کننده زیاد مشکل نیست و در مجموع کار پیچیده ای نخواهید داشت (حتی میتونید بسیاری اسلاید های خوب هم دانلود کنید در فضای اینترنت و از اونها استفاده کنید در ارائه ی سمینارتون) امــا لازم هست که به دقت اولین رفرنس ضمیمه شده ی این پست رو بخونید و کد اون رو اجرا کنید (اجرای کد هم بسیار راحت هست و مشکلی با اون نخواهید داشت؛ و حتی میتونید از ReadMe این کد هم استفاده کنید .. همه چیز در اون فایل توضیح داده شده) و در نهایت اطلاعاتتون رو جمع بندی کنید و اون ها رو با دیگران به اشتراک بگذارید .. امیدوارم این موضوع بتونه براتون مفید باشه و بتونید در زمانی که دارید، بر روی اون کار کنید .. اگر تصمیم به انتخاب این موضوع گرفتید، بفرمائید تا عنوان تاپیک رو هم به تناسب، تغییر بدم و ویرایش کنم .. موفق و سلامت و شاد باشید ..

سلامی به گرمی آفتاب.
آقا حسام ممنون که وقت گذاشتین. موضوع خوبیه می خام کار کنم. از راهنماییتون و فایلهایی که فرستادین ممنون.
راستی آقا حسام از موضوع موقعیت یابی بوسیله پردازش تصویر اطلاعی دارید؟

[ieee7]

پاسخ : موضوع سمینار: توصیف کننده ی SIFT

سلام دوستان من یک مقاله رو دارو میخونم بعضی اصطلاحاتش رو متوجه نمیشم کسی میتونه کمکم کنه
مثل
particle filter
the tail of the prior
large particle numbers

سلام
ممنون از دوستانی که اطلاعات دارن و اون رو در اختیار بچه ها میگذارند
منم موضوع سمینارم
object tracking using sift features and mean shift
هست
الان دارم مقاله رو ترجمه میکنم و بعد باید اون رو شبیه سازی کنم راستیتش بعضی اصطلاحاتش سخته متوجه نمی شم چیکار باید کنم

[hess]

پاسخ : موضوع سمینار: توصیف کننده ی SIFT

سلام ..

Particle Filtering یکی از متدهای تخمین و مدلسازی سیگنال در Step زمانی بعدی هست که از خانواده و منطق مونته کارلو (نمونه برداری) تبعیت میکنه (--خیلی شهودی--) .. تلاش این متد این هست که با استفاده از فضای دیتا (--نمونه برداری های سیگنال در Step زمانی گذشته یا Sequence قبل [بیشتر در موارد ترتیبی یا کاربردهایی که سیگنال از نطر پیوستگی زمانی، مرحله به مرحله لازم هست که بررسی و پدیت بشه، مورد استفاده قرار میگیره]--) و داده های اولیه ای (prior) که از Step قبل سیگنال، نمونه برداری میکنه؛ حالت بعدی (posterior) سیگنال رو بتونه با چگالی و مقادیر محاسبه شده ی احتمال تخمین بزنه و به عنوان مدل خروجی تحویل کاربر بده .. هرچه تعداد نمونه های (particle های) مرحله ی قبل سیگنال (Tail of the prior) بیشتر باشه؛ محاسبات تخمین مرحله ی بعد؛ سخت تر؛ پر هزینه تر و پیچیده تر میشه و از این بابت هست که در این مراحل از متدهای دیگه ای معمولا برای حل این مساله (--مثل نمونه برداری قسمت به قسمت--) استفاده میکنن .. برای مثال، در تصویر زیر میتونیم یک نمونه از اجرای این الگوریتم رو بر روی سیگنال نمونه ی آبی رنگ با هم ببینیم ..

دقت کنید که در مثال بالا؛ سیگنال تخمین زده شده با استفاده از Particle Filtering به رنگ قرمز نمایش داده شده هست .. در انتهای این پست؛ فایلی ضمیمه شده که یک آموزش جامع از این متد هست و در ادامه هم یک کد از پیاده سازی و استفاده از این متد در Tracking .. برای دریافت فایل ویدئوی تست دمو هم میتونید از ایـن آدرس استفاده کنید .. بعلاوه اگر قصد پیاده ی سازی مجموعه ای از الگوریتم های حیطه ی Tracking رو دارید؛ شاید مرور اطلاعات ایـن صفحه بتونن بهتون خیلی کمک کنن .. و در آخر؛ یک پایان نامه هم ضمیمه ی انتهایی این پست هست که خیلی مرتبط با مسیریست که قصد طی کردن اون رو دارید .. امید که مطالب این پست بتونن براتون مفید باشن .. موفق و سلامت و شاد باشید ..

[arvin2014]

پاسخ : موضوع سمینار: توصیف کننده ی SIFT

با سلام.فایل برنامه متلبی که آقای حسام الدین قرار دادن رو دانلود کردم ولی برنامه sift رو خطا میده و متن خطاشم اینه:Not enough input arguments

[hess]

پاسخ : موضوع سمینار: توصیف کننده ی SIFT

سلام ..

برای استفاده از کدی که در پاسخ سوم ضمیمه هست، همونطور که در فایل ReadMe هم ذکر شده، لازم هست که در Workspace نرم افزار MATLAB دستورات زیر رو به عنوان مثال اجرا کنید، تا بتونید به نتیجه ی مطلوب دست پیدا کنید .. خطایی که شما با اون مواجه شدید؛ به این احتمال رخ داده که شاید m.file ای با نام sift رو اجرا میکنید .. اون فایل، تابع تعریف شده ای هست که در دستورات زیر فراخوانی و مورد استفاده قرار میگیره .. پیروز باشید ..