KLN: a deep neural network architecture for keypoint localization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F20%3AA21024FM" target="_blank" >RIV/61988987:17610/20:A21024FM - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/9204211" target="_blank" >https://ieeexplore.ieee.org/document/9204211</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/DSMP47368.2020.9204211" target="_blank" >10.1109/DSMP47368.2020.9204211</a>

Jazyk výsledku

angličtina

Název v původním jazyce

KLN: a deep neural network architecture for keypoint localization

Popis výsledku v původním jazyce

Pixel-precision level localization of keypoints is an essential step for stitching panoramic images as these keypoints are matching, and their locations are used for computing stitching transformation. We recall the main standard computer vision techniques for keypoint localization and focus on the precise localization. Based on the SIFT technique, we design a neural network architecture containing an encoder, a latent representation handler, and a decoder. In contrast to domain-agnostic neural network architectures, the developed encoder reflects the scale-space construction as well as the difference of Gaussians estimation used in SIFT. In the benchmark, we show that our architecture has a higher number of keypoints localized with pixel precision considering flips, intensity changes, and blurrings than other standard and neural network-based approaches.

Název v anglickém jazyce

KLN: a deep neural network architecture for keypoint localization

Popis výsledku anglicky

Pixel-precision level localization of keypoints is an essential step for stitching panoramic images as these keypoints are matching, and their locations are used for computing stitching transformation. We recall the main standard computer vision techniques for keypoint localization and focus on the precise localization. Based on the SIFT technique, we design a neural network architecture containing an encoder, a latent representation handler, and a decoder. In contrast to domain-agnostic neural network architectures, the developed encoder reflects the scale-space construction as well as the difference of Gaussians estimation used in SIFT. In the benchmark, we show that our architecture has a higher number of keypoints localized with pixel precision considering flips, intensity changes, and blurrings than other standard and neural network-based approaches.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

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)

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of IEEE Third International Conference Data Stream Mining & Processing 2020

ISBN

978-1-7281-3215-0

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

IEEE

Místo vydání

Lvov, Ukraina

Místo konání akce

Lvov, Ukraina

Datum konání akce

21. 8. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—