Avoiding the Curse of Dimensionality in Local Binary Patterns

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62690094%3A18470%2F16%3A50005252" target="_blank" >RIV/62690094:18470/16:50005252 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/62690094:18450/16:50005252

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007/978-3-319-45243-2_19" target="_blank" >http://link.springer.com/chapter/10.1007/978-3-319-45243-2_19</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-45243-2_19" target="_blank" >10.1007/978-3-319-45243-2_19</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Avoiding the Curse of Dimensionality in Local Binary Patterns

Popis výsledku v původním jazyce

Local Binary Patterns is a popular grayscale texture operator used in computer vision for classifying textures. The output of the operator is a bit string of a defined length, usually 8, 16 or 24 bits, describing local texture features. We focus on the problem of succinctly representing the patterns using alternative means and compressing them to reduce the number of dimensions. These reductions lead to simpler connections of Local Binary Patterns with machine learning algorithms such as neural networks or support vector machines, improve computation speed and simplify information retrieval from images. We study the distribution of Local Binary Patterns in 100000 natural images and show the advantages of our reduction technique by comparing it to existing algorithms developed by Ojala et. al. We have also confirmed Ojala's findings about the uniform LBP proportions.

Název v anglickém jazyce

Avoiding the Curse of Dimensionality in Local Binary Patterns

Popis výsledku anglicky

Local Binary Patterns is a popular grayscale texture operator used in computer vision for classifying textures. The output of the operator is a bit string of a defined length, usually 8, 16 or 24 bits, describing local texture features. We focus on the problem of succinctly representing the patterns using alternative means and compressing them to reduce the number of dimensions. These reductions lead to simpler connections of Local Binary Patterns with machine learning algorithms such as neural networks or support vector machines, improve computation speed and simplify information retrieval from images. We study the distribution of Local Binary Patterns in 100000 natural images and show the advantages of our reduction technique by comparing it to existing algorithms developed by Ojala et. al. We have also confirmed Ojala's findings about the uniform LBP proportions.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Název statě ve sborníku

COMPUTATIONAL COLLECTIVE INTELLIGENCE, ICCCI 2016

ISBN

978-3-319-45242-5

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

208-217

Název nakladatele

SPRINGER-VERLAG BERLIN, HEIDELBERGER PLATZ 3, D-14197 BERLIN, GERMANY

Místo vydání

BERLIN, GERMANY

Místo konání akce

Halkidiki, GREECE

Datum konání akce

28. 9. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000387734300019