ترجمه مقاله تخمین عمقی با استفاده از جمع آوری مدل ها – سال 2015
مشخصات مقاله:
عنوان فارسی مقاله:
تخمین عمقی با استفاده از جمع آوری مدل ها
عنوان انگلیسی مقاله:
Depth Estimation Using Collection of Models
کلمات کلیدی مقاله:
تخمین عمقی، مجموعه مدل ها، ابر نقطه، نگاشت عمقی، بازسازی سه بعدی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1- مقدمه
2- بررسی مقالات
3- روش پیشنهادی
4- نتایج آزمایشی
5- مقایسه نتایج
6- بحث
7- نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
I. INTRODUCTION
Images have been the most popular medium to visualize the information. Images contain rich visual detail of a structure and are easy to obtain, view, publish and share. However, they lack critical depth information as they are the projected view of a 3D scene and might occlude important parts of objects and cannot contain depth data. This makes severe restrictions to applications like image recognition, manipulation and depth-enhanced image editing [1]. It would be an advantage if we can recover the lost information while acquiring images. Therefore, we have a strong motivation to find depth information of an object. Estimating depth becomes extremely difficult when we have only one image as input.
1- مقدمه
تصاویر محبو ترین واسط ها برای تجسم اطلاعات بوده اند. تصاویر حاوی جزئیات بصری غنی از یک ساختار بوده و بدست آوردن آن ها، مشاهده آن ها، انتشار و به اشتراک گذاری شان کار ساده ای است و اما آن ها فاقد اطلاعات عمقی بحرانی هستند چون نمای افکنش شده ای از یک صحنه سه بعدی هستند و ممکن است سد راه برخی از بخش های مهم اشیا شوند و نمی توانند حاوی داده های عمقی باشند. این مسأله باعث تحمیل محدودیت های شدیدی در کاربردهایی نظیر تشخیص تصویر، دستکاری و ویرایش تصویر با عمق زیاد می شود. اگر بتوانیم اطلاعات از دست رفته را در حین اکتساب تصاویر بازیابی نماییم، به امر مهمی دست یافته ایم. بنابراین انگیزه ای قوی برای یافتن اطلاعات عمقی یک شیء داریم. وقتی تنها یک تصویر به عنوان ورودی داشته باشیم، تخمین عمق بسیار مشکل می شود.
