Improving Multi-view Object Recognition by Detecting Changes in Point Clouds
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F16%3APU121600" target="_blank" >RIV/00216305:26230/16:PU121600 - isvavai.cz</a>
Výsledek na webu
<a href="http://ieeexplore.ieee.org/document/7850045/" target="_blank" >http://ieeexplore.ieee.org/document/7850045/</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/SSCI.2016.7850045" target="_blank" >10.1109/SSCI.2016.7850045</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Improving Multi-view Object Recognition by Detecting Changes in Point Clouds
Popis výsledku v původním jazyce
This paper proposes the use of change detection in a multi-view object recognition system in order to improve its flexibility and effectiveness in dynamic environments. Multi-view recognition approaches are essential to overcome problems related to clutter, occlusion or camera noise, but the existing systems usually assume a static environment. The presence of dynamic objects raises another issue - the inconsistencies introduced to the internal scene model. We show that by incorporating the change detection and correction of the inherent scene inconsistencies, we can reduce false positive detections by 70% in average for moving objects when tested on the publicly available TUW dataset. To reduce time required for verifying a large set of accumulated object pose hypotheses, we further integrate a clustering approach into the original multi-view object recognition system and show that this reduces computation time by approximately 16%.
Název v anglickém jazyce
Improving Multi-view Object Recognition by Detecting Changes in Point Clouds
Popis výsledku anglicky
This paper proposes the use of change detection in a multi-view object recognition system in order to improve its flexibility and effectiveness in dynamic environments. Multi-view recognition approaches are essential to overcome problems related to clutter, occlusion or camera noise, but the existing systems usually assume a static environment. The presence of dynamic objects raises another issue - the inconsistencies introduced to the internal scene model. We show that by incorporating the change detection and correction of the inherent scene inconsistencies, we can reduce false positive detections by 70% in average for moving objects when tested on the publicly available TUW dataset. To reduce time required for verifying a large set of accumulated object pose hypotheses, we further integrate a clustering approach into the original multi-view object recognition system and show that this reduces computation time by approximately 16%.
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/TE01020415" target="_blank" >TE01020415: Centrum kompetence ve zpracování vizuálních informací (V3C - Visual Computing Competence Center)</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
IEEE Symposium on Computational Intelligence for Multimedia, Signal and Vision Processing
ISBN
978-1-5090-4239-5
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
1-7
Název nakladatele
IEEE Computer Society
Místo vydání
Atény
Místo konání akce
Athens
Datum konání akce
6. 12. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000400488301086