Features as Keypoints and How Fuzzy Transforms Retrieve Them

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F21%3AA2202APN" target="_blank" >RIV/61988987:17610/21:A2202APN - isvavai.cz</a>

Výsledek na webu

<a href="https://www.springerprofessional.de/en/features-as-keypoints-and-how-fuzzy-transforms-retrieve-them/19587028?searchResult=1.Perfilieva&searchBackButton=true" target="_blank" >https://www.springerprofessional.de/en/features-as-keypoints-and-how-fuzzy-transforms-retrieve-them/19587028?searchResult=1.Perfilieva&searchBackButton=true</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Features as Keypoints and How Fuzzy Transforms Retrieve Them

Popis výsledku v původním jazyce

We are focused on a new fast and robust algorithm of image/signal feature extraction in the form of representative keypoints. We analyze various multi-scale representations of a one-dimensional signal in spaces with a closeness relation determined by a symmetric and positive semi-definite kernel. We show that kernels arising from generating functions of fuzzy partitions can be used in a scale space representation of a one-dimensional signal. We show that the reconstruction from the proposed multi-scale representations is of better quality than the reconstruction from MLP with almost double the number of neurons in 4 hidden layers. Finally, we propose a new algorithm of keypoints localization and description and test it on financial time series with high volatility.

Název v anglickém jazyce

Features as Keypoints and How Fuzzy Transforms Retrieve Them

Popis výsledku anglicky

We are focused on a new fast and robust algorithm of image/signal feature extraction in the form of representative keypoints. We analyze various multi-scale representations of a one-dimensional signal in spaces with a closeness relation determined by a symmetric and positive semi-definite kernel. We show that kernels arising from generating functions of fuzzy partitions can be used in a scale space representation of a one-dimensional signal. We show that the reconstruction from the proposed multi-scale representations is of better quality than the reconstruction from MLP with almost double the number of neurons in 4 hidden layers. Finally, we propose a new algorithm of keypoints localization and description and test it on financial time series with high volatility.

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

2021

Kód důvěrnosti údajů

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

Název statě ve sborníku

Advances in Computational Intelligence

ISBN

978-3-030-85098-2

ISSN

—

e-ISSN

—

Počet stran výsledku

13

Strana od-do

14-27

Název nakladatele

Springer International Publishing

Místo vydání

Cham

Místo konání akce

Virtual Event

Datum konání akce

16. 6. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000696688800002