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”

YOLO-ASC: You Only Look Once And See Contours

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F20%3AA21021UC" target="_blank" >RIV/61988987:17610/20:A21021UC - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://ieeexplore.ieee.org/document/9207223" target="_blank" >https://ieeexplore.ieee.org/document/9207223</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/IJCNN48605.2020.9207223" target="_blank" >10.1109/IJCNN48605.2020.9207223</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    YOLO-ASC: You Only Look Once And See Contours

  • Popis výsledku v původním jazyce

    YOLO is a useful, one-stage tool for object detection and classification. In this paper, we consider the application of grocery product detection. The grocery stores have a significant amount of product classes, so it is beneficial to postpone the classification into a second, specialized neural network with a higher capacity. Extracting bounding boxes for a classification network is not precise enough as the detected area includes redundant information about the background. We propose YOLO-ASC, which, for rectangular-based objects, detects bounding boxes together with object contour using a quadrangular. This approach allows detecting objects more accurately and without the background. For the quadrangular detection functionality, YOLO-ASC shares the feature maps that are already present in the network, and therefore its inference time is almost identical to the original YOLO. YOLO reaches high detection precision by using YOLO apriori knowledge, anchors extracted from data. In this work, we present two experiments where we demonstrate that YOLO-ASC training converges faster due to the symbiosis between the bounding box detection and quadrangular detection. Finally, we propose a tool for generating synthetic datasets with quadrangular labels that is helpful for transfer learning.

  • Název v anglickém jazyce

    YOLO-ASC: You Only Look Once And See Contours

  • Popis výsledku anglicky

    YOLO is a useful, one-stage tool for object detection and classification. In this paper, we consider the application of grocery product detection. The grocery stores have a significant amount of product classes, so it is beneficial to postpone the classification into a second, specialized neural network with a higher capacity. Extracting bounding boxes for a classification network is not precise enough as the detected area includes redundant information about the background. We propose YOLO-ASC, which, for rectangular-based objects, detects bounding boxes together with object contour using a quadrangular. This approach allows detecting objects more accurately and without the background. For the quadrangular detection functionality, YOLO-ASC shares the feature maps that are already present in the network, and therefore its inference time is almost identical to the original YOLO. YOLO reaches high detection precision by using YOLO apriori knowledge, anchors extracted from data. In this work, we present two experiments where we demonstrate that YOLO-ASC training converges faster due to the symbiosis between the bounding box detection and quadrangular detection. Finally, we propose a tool for generating synthetic datasets with quadrangular labels that is helpful for transfer learning.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10102 - Applied mathematics

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/EF17_049%2F0008414" target="_blank" >EF17_049/0008414: Centrum pro výzkum a vývoj metod umělé intelligence v automobilovém průmyslu regionu</a><br>

  • Návaznosti

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

Ostatní

  • Rok uplatnění

    2020

  • 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

    2020 International Joint Conference on Neural Networks (IJCNN)

  • ISBN

    978-1-7281-6926-2

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    7

  • Strana od-do

    1-7

  • Název nakladatele

    IEEE

  • Místo vydání

    USA

  • Místo konání akce

    Glasgow , United Kingdom

  • Datum konání akce

    19. 7. 2020

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku