Camera Elevation Estimation from a Single Mountain Landscape Photograph
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F15%3APU117026" target="_blank" >RIV/00216305:26230/15:PU117026 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/68407700:21230/15:00236246
Výsledek na webu
<a href="http://cphoto.fit.vutbr.cz/elevation/" target="_blank" >http://cphoto.fit.vutbr.cz/elevation/</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.5244/C.29.30" target="_blank" >10.5244/C.29.30</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Camera Elevation Estimation from a Single Mountain Landscape Photograph
Popis výsledku v původním jazyce
This work addresses the problem of camera elevation estimation from a single photograph in an outdoor environment. We introduce a new benchmark dataset of one-hundred thousand images with annotated camera elevation called Alps100K. We propose and experimentally evaluate two automatic data-driven approaches to camera elevation estimation: one based on convolutional neural networks, the other on local features. To compare the proposed methods to human performance, an experiment with 100 subjects is conducted. The experimental results show that both proposed approaches outperform humans and that the best result is achieved by their combination.
Název v anglickém jazyce
Camera Elevation Estimation from a Single Mountain Landscape Photograph
Popis výsledku anglicky
This work addresses the problem of camera elevation estimation from a single photograph in an outdoor environment. We introduce a new benchmark dataset of one-hundred thousand images with annotated camera elevation called Alps100K. We propose and experimentally evaluate two automatic data-driven approaches to camera elevation estimation: one based on convolutional neural networks, the other on local features. To compare the proposed methods to human performance, an experiment with 100 subjects is conducted. The experimental results show that both proposed approaches outperform humans and that the best result is achieved by their combination.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
V - Vyzkumna aktivita podporovana z jinych verejnych zdroju
Ostatní
Rok uplatnění
2015
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
British Machine Vision Conference 2015
ISBN
978-1-901725-53-7
ISSN
—
e-ISSN
—
Počet stran výsledku
12
Strana od-do
1-12
Název nakladatele
The British Machine Vision Association and Society for Pattern Recognition
Místo vydání
Swansea
Místo konání akce
Swansea
Datum konání akce
7. 9. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—