Features as Keypoints and How Fuzzy Transforms Retrieve Them
Identifikátory výsledku
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
—
Alternativní jazyky
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.
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
2021
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
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