Зараз я працюю над CBIR, використовуючи Дерева компонентів , що має бути відносно новою ідеєю. Деякі очікувані переваги використання компонентних дерев для опису зображень:
- Представлення зображення компонентного дерева не так сильно залежатиме від деформацій (навіть проективних) до зображення
- Вивчення різних рівнів дерева дозволило б порівняти та виконати операції до різного рівня деталізації
- Дискримінація та опис повинні працювати краще, ніж сучасні методи щодо зображень із низькою текстурою.
Щойно я почав з досліджень, пов’язаних з цією темою, у мене є лише розпливчасте уявлення про мої цілі: представляти зображення з Деревом компонентів, а потім порівнювати вказані Дерева компонентів, безпосередньо з пошуку векторизованого зображення. Я, мабуть, зможу сказати набагато більше через кілька тижнів (або місяців), але поки що я можу запропонувати лише список робіт, рекомендованих мені як вступ до Дерев компонентів (я їх ще не читав):
Можливо, я можу оновити відповідь так, і якщо знайду щось відповідне.
Крім того, якщо ваша мета - певним чином більш точно відповідати областям зображення, а не лише точкам , оскільки регіони можуть бути більш дискримінаційними, у Дж. Сівіча та А. Зіссермана виникла приємна пропозиція : "Відео Google: пошук тексту. Підхід до відповідності об'єктів у відеороликах " .
Я маю на увазі розділ, що стосується просторової консистенції , де група збігів між характеристичними точками приймається лише в тому випадку, якщо точки функції зберігають схожу просторову конфігурацію в обох зображеннях. Таким чином, відповідність не тільки залежить від типу вилученої функції (DoG, MSER, ...) або дескриптора (SIFT), але й розглядає більш широке оточення точки функції, роблячи її (принаймні трохи) залежно від регіону