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”

Levenberg-Marquardt Variants in Chrominance-Based Skin Tissue Detection

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62690094%3A18450%2F19%3A50015941" target="_blank" >RIV/62690094:18450/19:50015941 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-3-030-17935-9_9" target="_blank" >http://dx.doi.org/10.1007/978-3-030-17935-9_9</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-030-17935-9_9" target="_blank" >10.1007/978-3-030-17935-9_9</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Levenberg-Marquardt Variants in Chrominance-Based Skin Tissue Detection

  • Popis výsledku v původním jazyce

    Levenberg-Marquardt method is a very useful tool for solving nonlinear curve fitting problems; while it is also a very promising alternative of weight adjustment in feed forward neural networks. Forcing the Hessian matrix to stay positive definite, the parameter λ also turns the algorithm into the well-known variations: steepest-descent and Gauss-Newton. Given the computation time, the results achieved by these methods surely differ while minimizing the sum of squares of errors and with an acceptable accuracy rate in skin tissue recognition. Therefore in this paper, we propose the implementation of these variations in network training by a set of tissue samples borrowed from SFA human skin database. The RGB images taken from the set are converted into YCbCr color space and the networks are individually trained by these methods to create weight arrays minimizing the error squares between the pixel values and the function output. Consisting of hands on computer keyboards, the images are analyzed to find skin tissues for achieving high accuracy with low computation time and for comparison of the methods.

  • Název v anglickém jazyce

    Levenberg-Marquardt Variants in Chrominance-Based Skin Tissue Detection

  • Popis výsledku anglicky

    Levenberg-Marquardt method is a very useful tool for solving nonlinear curve fitting problems; while it is also a very promising alternative of weight adjustment in feed forward neural networks. Forcing the Hessian matrix to stay positive definite, the parameter λ also turns the algorithm into the well-known variations: steepest-descent and Gauss-Newton. Given the computation time, the results achieved by these methods surely differ while minimizing the sum of squares of errors and with an acceptable accuracy rate in skin tissue recognition. Therefore in this paper, we propose the implementation of these variations in network training by a set of tissue samples borrowed from SFA human skin database. The RGB images taken from the set are converted into YCbCr color space and the networks are individually trained by these methods to create weight arrays minimizing the error squares between the pixel values and the function output. Consisting of hands on computer keyboards, the images are analyzed to find skin tissues for achieving high accuracy with low computation time and for comparison of the methods.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2019

  • 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

    Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)

  • ISBN

    978-3-030-17934-2

  • ISSN

    0302-9743

  • e-ISSN

  • Počet stran výsledku

    12

  • Strana od-do

    87-98

  • Název nakladatele

    Springer Verlag

  • Místo vydání

    Berlin

  • Místo konání akce

    Granada

  • Datum konání akce

    8. 10. 2019

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku