多变条件下的物体识别：可靠性分析及基于特征相似度的性能估计
计算机视觉与模式识别
2019-05-07 v2 图像与视频处理
摘要
在本文中，我们研究了在线识别平台 Amazon Rekognition 和 Microsoft Azure 在背景、采集设备和物体朝向变化下的可靠性。我们聚焦于公众常用的平台，以更好地理解其真实世界中的表现。为评估识别性能的变化，我们通过每次改变一个采集条件来进行受控实验。我们使用三部智能手机、一台 DSLR 和一台网络摄像头，在客厅、办公室和摄影棚环境中拍摄物体的侧视图与俯视图。此外，我们提出了一个框架，用于估计相对于背景和朝向的识别性能。在该框架中，我们同时利用了基于颜色、纹理和形状特征的手工特征，以及从深度神经网络获得的数据驱动特征。实验结果表明，基于深度学习的图像表示能够在多变采集条件下以 0.94 的 Spearman 秩相关系数估计识别性能的变化。
引用
@article{arxiv.1902.06585,
title = {Object Recognition under Multifarious Conditions: A Reliability Analysis and A Feature Similarity-based Performance Estimation},
author = {Dogancan Temel and Jinsol Lee and Ghassan AlRegib},
journal= {arXiv preprint arXiv:1902.06585},
year = {2019}
}
备注
5 pages, 3 figures, 1 table