|
关注：1
2013-05-23 12:21
求翻译：System overview. Given a query image (a) we retrieve similar images from our dataset (b) using several global features. Next, we divide the query into superpixels (c) and compute a per-superpixel likelihood ratio score for each class (d) based on nearestneighbor superpixel matches from the retrieval set. These scores, 是什么意思？ 待解决
 悬赏分：1
- 离问题结束还有
System overview. Given a query image (a) we retrieve similar images from our dataset (b) using several global features. Next, we divide the query into superpixels (c) and compute a per-superpixel likelihood ratio score for each class (d) based on nearestneighbor superpixel matches from the retrieval set. These scores,
问题补充： |
|
2013-05-23 12:21:38
系统概述。
|
|
2013-05-23 12:23:18
系统概要。使用几个全球性特点，给出询问图象(a)我们从我们的数据集(b)检索相似的图象。其次，我们划分询问成superpixels (c)并且从检索集合计算每superpixel似然比比分的a根据nearestneighbor superpixel比赛(d)的每类的。这些比分，与一个上下文MRF模型的组合，给一密集标记询问图象(e)。
|
|
2013-05-23 12:24:58
系统概要。 Given a query image (a) we retrieve similar images from our dataset (b) using several global features. 其次，我们划分询问成superpixels (c) 并且从检索集合计算每superpixel可能比率比分的 (a) 为根据nearestneighbor superpixel比赛d的每类。 这些比分，与一个上下文MRF模型的组合，给一密集标记询问图象 (e)。
|
|
2013-05-23 12:26:38
系统概述。(A) 我们给定查询图像检索相似图像从我们的数据集 (b) 使用几个全局特征。接下来，我们查询划分为 superpixels (c) 并计算分数为每个类 (d) 基于 nearestneighbor 像素发挥其匹配从检索集合的每个像素发挥其似然比。这些分数，在上下文的 MRF 模型，结合给查询图像 (e) 密集标签。
|
|
2013-05-23 12:28:18
系统概述。考虑到一幅查询图像我们检索的 (a) 从我们的数据套的类似图像 (b) 使用若干全球特征。下一个，我们分歧进到超像素的查询 (c) 和计算在每节课方面的一个每-superpixel 的可能性比率成绩 (d) 根据 nearestneighbor 超像素从被设置的检索匹配。这些成绩，与一个上下文的 MRF 模型相结合，给密集查询图像的将标为 (e)。
|
湖北省互联网违法和不良信息举报平台 | 网上有害信息举报专区 | 电信诈骗举报专区 | 涉历史虚无主义有害信息举报专区 | 涉企侵权举报专区
