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”

Reducing the Run-time Complexity of Support Vector Machine Used for Rail Candidates Detection

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F15%3APU118626" target="_blank" >RIV/00216305:26230/15:PU118626 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://www.vedeckekonference.cz/index.php?option=com_content&view=article&id=79&Itemid=66&lang=en" target="_blank" >http://www.vedeckekonference.cz/index.php?option=com_content&view=article&id=79&Itemid=66&lang=en</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Reducing the Run-time Complexity of Support Vector Machine Used for Rail Candidates Detection

  • Popis výsledku v původním jazyce

    Support Vector Machine (SVM) is a technique for classification and regression. It uses a decision surface called hyperplane that depends on the regularization parameter and training points lying in the margin of the hyperplane. The run-time complexity of SVM may be reduced through the hyperplane affected by the regularization parameter. We deal with rails recognition in images taken from the camera mounted on the board of the locomotive. For the purpose of rail candidates detection, we deployed an algorithm using SVM. We performed several experiments under different settings. In this paper, we introduce an algorithm using SVM and the impact of its regulation parameter as well as others possible on SVM-performance. The main goal is to decrease time-complexity while maintaining classification success rate.

  • Název v anglickém jazyce

    Reducing the Run-time Complexity of Support Vector Machine Used for Rail Candidates Detection

  • Popis výsledku anglicky

    Support Vector Machine (SVM) is a technique for classification and regression. It uses a decision surface called hyperplane that depends on the regularization parameter and training points lying in the margin of the hyperplane. The run-time complexity of SVM may be reduced through the hyperplane affected by the regularization parameter. We deal with rails recognition in images taken from the camera mounted on the board of the locomotive. For the purpose of rail candidates detection, we deployed an algorithm using SVM. We performed several experiments under different settings. In this paper, we introduce an algorithm using SVM and the impact of its regulation parameter as well as others possible on SVM-performance. The main goal is to decrease time-complexity while maintaining classification success rate.

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

    <a href="/cs/project/ED1.1.00%2F02.0070" target="_blank" >ED1.1.00/02.0070: Centrum excelence IT4Innovations</a><br>

  • Návaznosti

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

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

    International Masaryk conference for Ph.D. students and young researchers

  • ISBN

    978-80-87952-12-2

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    9

  • Strana od-do

    2138-2146

  • Název nakladatele

    Akademické sdružení MAGNANIMITAS Assn.

  • Místo vydání

    Hradec Králové

  • Místo konání akce

    Hradec Králové

  • Datum konání akce

    14. 12. 2015

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku