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”

KLN: a deep neural network architecture for keypoint localization

Identifikátory výsledku

  • 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>

Alternativní jazyky

  • 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.

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

    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