Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Learning of a Robusted Nearest Neighbor Classifier Using Multiple Training Data

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F16%3APU120033" target="_blank" >RIV/00216305:26220/16:PU120033 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://ieeexplore.ieee.org/document/7502701" target="_blank" >https://ieeexplore.ieee.org/document/7502701</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/IWSSIP.2016.7502701" target="_blank" >10.1109/IWSSIP.2016.7502701</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Learning of a Robusted Nearest Neighbor Classifier Using Multiple Training Data

  • Popis výsledku v původním jazyce

    This paper deals with the application of face recognition in surveillance CCTV systems and effective usage of so called recognition clues. These clues are enrollment of multiple training face images and their usages in classifier training and real-time management of template database. A survey on classifiers from perspective of practical application is given resulting in the defense of nearest neighbor based classifiers. They are competitive with state of the art classifiers and are suitable for practical application. Template creation using multiple training face images and enhancement of NN-based classifier performance is achieved by novel approach. It consist of quantile interval method for template creation and robusted NNbased classifier using spatial templates with soft boundaries. We evaluate proposed recognition framework on highly representative IFaViD dataset. Proposed framework outperforms state of the art approaches.

  • Název v anglickém jazyce

    Learning of a Robusted Nearest Neighbor Classifier Using Multiple Training Data

  • Popis výsledku anglicky

    This paper deals with the application of face recognition in surveillance CCTV systems and effective usage of so called recognition clues. These clues are enrollment of multiple training face images and their usages in classifier training and real-time management of template database. A survey on classifiers from perspective of practical application is given resulting in the defense of nearest neighbor based classifiers. They are competitive with state of the art classifiers and are suitable for practical application. Template creation using multiple training face images and enhancement of NN-based classifier performance is achieved by novel approach. It consist of quantile interval method for template creation and robusted NNbased classifier using spatial templates with soft boundaries. We evaluate proposed recognition framework on highly representative IFaViD dataset. Proposed framework outperforms state of the art approaches.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20201 - Electrical and electronic engineering

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/LO1401" target="_blank" >LO1401: Interdisciplinární výzkum bezdrátových technologií</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2016

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings The 23rd International Conference on Systems, Signals and Image Processing

  • ISBN

    978-1-4673-9554-0

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    4

  • Strana od-do

    47-50

  • Název nakladatele

    Neuveden

  • Místo vydání

    Bratislava

  • Místo konání akce

    Bratislava

  • Datum konání akce

    23. 5. 2016

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000389830400006