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